本研究提出了一种基于隐式神经表示的切片到体积重建方法，能够从多张运动干扰的低分辨率2D切片中快速准确地重建高分辨率MRI图像。实验结果表明，该方法在重建质量上显著优于现有技术，并能减少多达50%的重建时间。

本研究提出了一种统一的自回归框架（UAR-NVC），旨在解决隐式神经表示方法在视频压缩中的内存消耗问题。该框架通过将视频划分为多个片段并使用不同的神经模型实例，有效降低训练和推理过程中的内存需求，从而在资源受限环境中显著提高视频压缩性能。

本研究提出了一种二维高斯喷溅（2DGS）方案，解决了隐式神经表示在图像表示中的高内存消耗和慢解码速度问题，成功利用高斯点表示大型图像。

本研究提出了一种新的GA-Planes模型，旨在解决隐式神经表示训练中的非凸优化问题。该模型通过凸优化进行训练，能够有效结合多种特征，并在2D和3D体积拟合任务中表现优越，具有显著的内存效率和可优化性。

本研究提出了一种名为TSINR的方法，通过隐式神经表示重构解决时间序列异常检测中的未标记异常点问题。该方法优先捕捉低频信号，能够更敏感地检测不连续的异常数据。实验结果表明，TSINR在单变量和多变量时间序列异常检测中优于其他主流方法。

本研究提出了一种新型超像素信息隐式神经表示（S-INR），旨在解决隐式神经表示在多维数据恢复中的局限性。S-INR通过使用广义超像素替代传统像素，有效挖掘超像素间的语义信息，展现出更优的应用效果。

本研究提出了一种新方法，通过融合声学和视觉传感，利用隐式神经表示在室内场景中重建透明表面。实验结果表明，该方法有效提升了透明表面的预测能力。

该研究提出了隐式神经表示（INRs）的新框架，包括inr2vec和STRAINER等方法，显著提升了图像去噪和超分辨率等任务的表现。Conv-INR模型展现了更强的表示能力，而SL$^{2}$A-INR则在高频成分捕获方面有所改善，设定了新的性能基准。

该研究提出了一种新方法，通过变周期激活函数和超半波振荡函数（HOSC）来提升隐式神经表示（INRs）的信号表示性能。研究表明，HOSC能够更有效地捕捉信号特征，而FINER则通过灵活调节频率集来优化信号表示，展示了在图像和三维场景中的优越性。

本研究针对隐式神经表示中正弦激活函数的局限性，提出将输入层激活函数改为$ ext{sin}( ext{sinh}(2x))$的方法。结果表明，H-SIREN在计算机视觉和流体流动领域的表现优于多种先进模型。

本文探讨了隐式神经表示（INRs）在图像和视频压缩中的应用，提出了Rapid-INR和PNVC等创新方法，显著提升了压缩性能和解码速度。这些方法在多个视频任务中表现优异，推动了视频压缩技术的发展。

本文探讨了隐式神经表示（INRs）在图像压缩中的应用，提出了一种基于INRs的压缩方法，优于传统算法。研究表明，INRs在多模态数据集上表现出色，并通过优化解码复杂度和改进算法提升了压缩效果。新方法Rapid-INR加速了计算机视觉任务中的神经网络训练，展示了INRs在信号处理中的潜力。

本文探讨了隐式神经表示（INRs）在图像压缩和计算机视觉中的应用，提出了Rapid-INR和Conv-INR等创新方法，展示了其在图像去噪、超分辨率和医学成像等任务中的优越性能。研究表明，INRs在资源有限的情况下表现出色，并提出了新的训练框架STRAINER，以提高适应性和信号质量。

本文介绍了一种新型神经表示方法NeRV，旨在提高视频编码和解码效率。研究提出了多种基于隐式神经表示（INR）的视频编解码技术，如TINC和NN-VVC，展现出优于传统方法的性能。通过特征调制和混合神经表示，进一步提升了视频压缩效果，解决了复杂性和延迟问题，为实际应用奠定基础。

DeepSDF方法通过学习连续有符号距离函数（SDF）实现高质量的3D形状表示和完成，显著降低模型大小并提升性能。该研究提出多种基于SDF的生成对抗网络，能够从点云直接推断高保真度的隐式神经表示，优化动态物体建模，并增强三维对象表示学习的泛化能力，在多个数据集上取得优异结果。

该研究提出了一种通用增强框架，通过条件解码器和熵最小化技术提升隐式神经表示在视频存储与处理中的效果，显著改善重建质量和收敛速度，推动视频回归、修复和插值任务的发展。

本文提出了多种基于隐式神经表示的图像处理方法，包括语义感知隐式表示、混合专家超分辨率框架和多尺度隐式变换器。这些方法在图像修复、超分辨率重建和语义分割等任务中显著提升了性能，尤其在计算效率和重建质量方面表现优异。

隐式神经表示（INRs）在医学成像中表现突出，尤其在MRI重建、图像去噪和超分辨率等任务中。研究提出了隐式神经表示正则化器（INRR）和Conv-INR模型，以提升信号表示的性能和泛化能力。未来的研究将进一步优化INRs在计算机视觉中的应用。

本文介绍了一种基于隐式神经表示的连续时空图像变形方法（CPT-DIR），显著提高了图像配准的准确性和速度，尤其在复杂区域表现优于传统方法。研究利用cycle-GAN改善CT与MR图像配准，提出多目标深度学习方法，优化腹部MRI与CT图像的变形矢量场估计，提升了配准精度，适用于肝脏放射治疗。

隐式神经表示（INRs）在医学成像中展现出显著成果，尤其在图像重建、去噪和超分辨率等任务中表现优异。本文讨论了INRs的优势与局限性，并提出未来研究方向。新方法如Rapid-INR和NID-SLAM提升了神经网络在动态环境中的性能。