标签
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。
介绍了有色噪声采样（CNS），这是一种无需训练的扩散模型随机求解器，可根据频率依赖的时间表动态分配能量，在ImageNet-256上显著提高了FID等图像质量指标。
本文识别并解释了一种基于重建的脑电图基础模型中的频谱偏差：嵌入表示过度表征非周期和低频成分，而低估振荡成分（尤其在高频段），导致低资源场景下性能不佳。
本文介绍了迭代细化神经算子（IRNO），它通过固定点迭代应用学习到的细化模块来增强预训练的神经算子，以缓解频谱偏差。IRNO逐步修正高频误差，在湍流上实现了高达56%的改进，并且在超过训练迭代次数时仍能稳定外推。
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。