Tag · 17 篇
隐式神经表示
噪声预训练对隐式神经表示的惊人有效性
The Surprising Effectiveness of Noise Pretraining for Implicit Neural Representations
用不同噪声类（均匀、高斯、Dead Leaves、1/|f|^α 频谱）预训练 INR 的初始化参数，可替代数据驱动的初始化方法；其中 1/|f|^α 频谱噪声预训练在信号拟合与去噪逆问题上取得最佳平衡，为缺乏领域数据的 INR 应用提供高效初始化方案。
面向激光雷达系统自动化设计的任务驱动隐式表示
Task-Driven Implicit Representations for Automated Design of LiDAR Systems
把激光雷达传感器配置编码为6D连续空间中的隐式密度，用流生成模型学习任务相关的采样分布，再用EM拟合出具体传感器参数——这套「任务驱动隐式表示+参数拟合」的思路可直接迁移到相机阵列、事件相机、ToF等成像系统的联合设计，也可作为生成式传感器仿真的新范式。
SMVRT：基于稀疏多视角体素重建与 Transformer 融合的隐式人体三维建模
SMVRT: Implicit Human 3D Modeling Using Sparse Multi-View Volumetric Reconstruction with Transformer Fusion
在稀疏多视角人体重建中，用三阶段注意力融合（2D 特征增强、warp 后多视角多层级特征融合成 3D 特征网格、2D-3D 查询点聚合）替代生成式补全或模板拟合来推断遮挡区域，这套融合模块可直接迁移到稀疏视角的通用隐式重建与占据预测流程。
SGI：面向高效紧凑大图像表示的结构化二维高斯
SGI: Structured 2D Gaussians for Efficient and Compact Large Image Representation
将2D高斯泼溅从无结构基元转为种子驱动的结构化隐式表示，配合多尺度由粗到细拟合与种子级熵压缩，为高分辨率图像表示提供可复用的紧凑化与加速优化范式。
SASNet：用于隐式神经表示的空间自适应正弦网络
SASNet: Spatially-Adaptive Sinusoidal Networks for INRs
SASNet 通过冻结频率嵌入层和可学习空间掩码解决 SIREN 训练不稳定和频率初始化敏感问题，可直接用于图像/表面重建、SDF 重建等 INR 任务，提升收敛速度和重建质量。
面向多维数据恢复的重参数化张量环函数分解
Reparameterized Tensor Ring Functional Decomposition for Multi-Dimensional Data Recovery
把张量环分解的因子用隐式神经表示参数化，使分解能作用于非网格数据（如点云），并通过频率域分析指出因子谱结构限制高频建模，再用「可学习潜张量×固定基」的重参数化改善训练动力学——这套思路可直接迁移到任意基于 INR 的连续信号重建与逆问题求解中。
Node-RF：基于神经常微分方程 NeRF 学习泛化的连续时空场景动态
Node-RF: Learning Generalized Continuous Space-Time Scene Dynamics with Neural ODE-based NeRFs
把 NODE 的连续时间状态演化嵌入动态 NeRF 的隐式表示中，用 ODE 求解器在特征空间做长程外推，为动态场景建模提供了一种常数显存、可跨观测边界预测未来视角与状态的思路，可直接迁移到动态新视角合成与时空预测任务。
面向统一多任务推理的神经中心视频处理流水线
Neural-Centric Video Processing Pipeline for Unified Multi-Task Inference
用隐式神经表示直接从视频中间层提取任务特征，配合轻量 micro adapter 映射到下游模型表征空间，跳过像素解码与早期特征提取；对做视频多任务推理、压缩域感知或想省掉解码开销的视觉系统是可复用的加速思路。
NTK引导的隐式神经教学
NTK-Guided Implicit Neural Teaching
对做隐式神经表示（图像拟合、3D重建、NeRF类场）的研究者，可直接复用其基于NTK增广梯度范数的坐标采样打分准则，替换均匀/误差驱动采样以在几乎减半的训练时间内达到同等重建质量。
MicroFM：面向各向同性显微重建的物理引导流匹配
MicroFM: Physics-guided Flow Matching for Isotropic Microscopy Reconstruction
把物理点扩散函数（PSF）匹配的合成数据与流匹配生成模型结合，并用连续隐式几何先验约束体数据，为各向异性退化下的三维重建提供了可复用的「物理退化建模 + 生成式复原」范式。
学习无结构数据流形的特征结构
Learning Eigenstructures of Unstructured Data Manifolds
对做点云/流形几何处理的人，它提供了一条绕开网格化与显式拉普拉斯算子构造、直接从无结构数据学谱基（近似特征函数）的路子，可复用于形状对应、谱聚类、图信号处理等下游环节。
EfficientMonoHair：通过多视角方向融合从单目视频快速重建发丝级几何
EfficientMonoHair: Fast Strand-Level Reconstruction from Monocular Video via Multi-View Direction Fusion
把隐式神经表示与多视角方向融合结合，用 fusion-patch 多视角优化减少点云方向场的迭代次数，并用放宽体素占用约束的并行生长策略在噪声方向场下稳定追踪发丝——这套「粗到细方向场 + 并行生长」的思路可迁移到其他细长结构（线缆、纤维、血管）的单目重建。
CryoKRAQEN：面向冷冻电镜异质重建中量化嵌入网络的核正则化退火方法
CryoKRAQEN: Kernel-Regularized Annealing for Quantized Embedding Networks in Cryo-EM Heterogeneous Reconstruction
把三平面隐式表示与核引导的量化潜变量分配结合，做成无编码器的解码器框架，可迁移到其他需要从极噪、连续变化观测中恢复潜结构的逆问题（如动态场景重建、低剂量成像），其避免码本坍缩的退火式量化分配策略也值得借鉴。
CryoHype：用基于 Transformer 的超网络重建上千个冷冻电镜结构
CryoHype: Reconstructing a thousand cryo-EM structures with transformer-based hypernetworks
把超网络与隐式神经表示结合，用输入结构索引动态生成 INR 权重，为视觉中「一次前向重建大量不同实例」的摊销式重建提供了可复用范式；固定位姿下从混合粒子图像中分离上千个结构，也可迁移到多目标、多实例的逆渲染与神经场重建。
面向隐式神经表示的内容感知频率编码与傅里叶-切比雪夫特征
Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features
CAFE 用多个并行线性层经 Hadamard 积合成可学习的频率基，替代固定傅里叶基，可直接替换 NeRF、SIREN 类隐式表示中的位置编码模块，缓解谱偏置、提升高频细节重建；CAFE+ 再叠加切比雪夫特征作为互补，为视觉中的坐标型 MLP 提供更稳定的频率表征方案。
AnyPcc：用单一通用模型压缩任意点云
AnyPcc: Compressing Any Point Cloud with a Single Universal Model
面向点云几何压缩的通用上下文模型与实例自适应微调（IAFT）策略，可复用于任何需要跨密度、跨分布泛化的点云/3D 表征编码任务：把少量实例专属权重随码流传输，用极小码率换取几何压缩增益，这一「权重即侧信息」的思路也可迁移到 NeRF/高斯泼溅的压缩与传输。
面向多对比度MRI任意尺度超分辨率的解剖引导自适应各向异性高斯泼溅
Adaptive Anisotropic Gaussian Splatting for Multi-contrast MRI Arbitrary-Scale Super-Resolution with Anatomy Guidance
把各向异性2D高斯核参数化引入MRI任意尺度超分辨率，用可学习的高斯中心与协方差替代INR的连续映射，绕开频谱偏置导致的高频解剖边界丢失；其中基于梯度稀疏注意力的高斯参数化器与双域跨注意力模块可迁移到其他需要高频细节恢复的医学图像复原任务。