标签
本文提出了一种循环正弦架构用于隐式神经表示，通过利用正弦循环产生的谐波线谱富集，以更少的参数和优化步骤实现更高的保真度。
本文提出一种视频编解码器，将视频和音频存储为正弦表示网络（SIREN）的权重，利用知识蒸馏和量化进行压缩。实验显示，与原始网络相比压缩比为2.61倍，但质量落后于H.264和HEVC等标准编解码器。
本文提出了一种轻量级方法，通过将连续目标离散化为区间，将基于回归的隐式神经表示训练重新表述为分类任务，从而在科学数据压缩中实现灵活的分布建模，用于误差感知的不确定性估计。
本文介绍了一种基于随机场理论中Rice水平穿越密度的可微训练目标，它作为隐式神经表示的无网格高频辅助损失。无需网格或FFT，并提高了在非均匀样本上的性能。
本文研究了SIREN、ReLU MLP和傅里叶特征MLP中隐式神经表征的迁移特异性，发现迁移幅度和特异性依赖于架构，其中ReLU更具选择性，而SIREN广泛重用权重。结果表明，架构选择应考虑显式的控制条件，而不仅仅是迁移幅度。
本文提出了3D视觉研究的全面分类体系，涵盖几何表示、数据集、学习范式以及在重建、生成和视频建模中的应用。
本文介绍了Spectral Energy Centroid (SEC) 度量，用于分析与改进隐式神经表示中的频谱偏差，展示了其在超参数选择、信号复杂度测量和跨架构对齐中的实用性。