全频谱神经表示的多分辨率增强

摘要

科学数据获取速度持续超过存储与分析能力，基于体素的表示日益难以处理。隐式神经表示（INR）用坐标基神经网络编码信号，其计算与存储需求随网络复杂度而非数据维度增长；但较小INR难以忠实表达多尺度结构、高频信息与精细纹理。WIEN-INR是一种有理论指导的分层INR框架，将建模分布到不同分辨率尺度，并用新型增强网络恢复细微细节，使较小网络也能保留完整空间-频率内容，同时维持训练效率并降低存储成本。在跨尺度、跨复杂度的原始实验测量上，WIEN-INR展现出紧凑、稳健且高保真的表示。Ni等人在多尺度小波域运行WIEN-INR，以改善压缩并保留细节与信号保真度。