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。
本研究分析隐式神经表示（INR）的技术缺口，建立分类体系，比较不同方法的优缺点，并为未来研究提供方向，特别关注激活函数、位置编码和高维数据的可扩展性。
受第二阶B样条小波启发，我们为深度神经网络的ReLU神经元引入简单约束，提升隐式神经表示的效率。实验显示，仅用ReLU神经元的DNN可实现先进的隐式表示。我们提供了一种量化学习函数规则性的方法，指导INR架构的超参数选择，并通过信号表示、超分辨率和计算机断层扫描等实验验证了方法的多样性和有效性。
本文研究了用隐式神经表示（INRs）参数化图像的方法，强调小波作为激活函数的优势。小波在频率和空间上的本地化能力优于正弦函数。研究提出了通过MLP的第一层逼近高频特征的策略，并提供了INR架构设计建议，如使用复数小波和解耦低通与带通的方法。
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。
本文研究了用隐式神经表示（INRs）参数化图像的方法，强调使用小波作为激活函数的优势。小波在频率和空间上的本地化能力优于正弦函数。研究提出了通过多层感知器（MLP）初步逼近信号高频特征的策略，并提供了INR架构设计建议，如使用复数小波和解耦低通与带通逼近。
本文研究了利用INRs和MLP对图像进行参数化的方法，展示了使用正弦激活函数和小波激活函数的优势。研究探讨了INRs如何从MLP的第一层进行粗糙逼近以解析信号的高频特征。提出了多种INR架构设计，包括复数小波、解耦低通和带通逼近以及基于信号奇点的初始化方案。
该研究提出了一种通用增强框架，通过引入条件解码器与熵最小化技术，成功提升了视频存储与处理中的隐式神经表示效果。该框架在多个基线模型上展现了优越的重建质量和收敛速度，为视频回归、修复和插值任务提供了强大技术。
研究人员设计了一种基于隐式神经表示的多尺度隐式变换器（MSIT），用于任意尺度超分辨率（ASSR）任务。该方法通过多尺度神经操作器（MSNO）和多尺度自注意力（MSSA）实现功能增强、特征提取和特征融合，提高了网络性能。实验证明，MSIT在任意超分辨率任务中表现出了最先进的性能。
该研究提出了一种通用增强框架，通过引入条件解码器与熵最小化技术，成功提升了视频存储与处理中隐式神经表示的效果。该框架在多个基线模型上展现了优越的重建质量和收敛速度，为视频回归、修复和插值任务提供了强大的技术。
本文介绍了VQ-NeRF管线，通过向量量化等方法提高隐式神经表示的效果和效率。采用多尺度采样和语义损失函数增强网络保留场景细节和几何特征。评估结果显示该方法在图像渲染质量和效率方面优于其他方法。
本文研究了利用隐式神经表示 (INRs) 对图像进行参数化的方法，探讨了使用小波作为激活函数的优势，并提出了从 MLP 的第一层中解析出信号的高频特征的方法。同时提出了多种 INR 架构设计的建议。
深度神经网络中的隐式神经表示（INR）是一种前景数据压缩技术。提出了一种基于专家组混合理论的新型隐式神经压缩方法MoEC，通过自动分配INR给场景中的3D点，实现了与现有方法相比的最新研究成果。
完成下面两步后，将自动完成登录并继续当前操作。
