PNeRV：用于视频的多项式神经表示

基于摘要分析。该研究针对视频隐式神经表示（INR）中仅以帧为单位的参数化难以保持时空连续性的问题，提出参数高效、以 patch 为单位的 Polynomial Neural Representation for Videos（PNeRV）。其主要研究对象是视频表示、压缩及依赖时空连续性的下游应用，而非 EEG 或 BCI。 核心机制是利用 Polynomial Neural Networks，以连续时间（帧）信号调制连续空间（patch）信号，联合表达视频的空间与时间变化。作者还提出定制的 Hierarchical Patch-wise Spatial Sampling Scheme，以兼顾空间连续性与参数效率，并配合专门设计的 Positional Embedding。摘要未给出具体多项式形式、网络结构、损失函数或训练流程，这些实现细节尚未验证。 作者报告，PNeRV 在视频压缩等常规 INR 任务，以及需要底层表示具备时空连续性的下游应用中优于基线。摘要未列出数据集、划分、基线名称、评价指标或具体数值，因此尚不能判断优势幅度及其适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若把连续时间与电极空间位置作为 EEG 表示的输入，多项式调制可能提供联合建模时间变化和空间关系的候选机制，但这是迁移假设，不是论文已验证结论。可复用的是连续信号调制思路；需改造的是视频规则网格上的 patch 采样与空间编码，因为 EEG 电极分布不规则，头皮空间邻近也不必然对应功能连续性。低信噪比、通道缺失、跨被试差异及小数据可能使连续性假设失效或造成过拟合。一个可证伪的小实验是在固定被试内划分、匹配参数预算的条件下，对比多项式调制与不含该调制的连续表示，检查留出时间片段的 EEG 重建误差及通道缺失时的稳定性；重建改善仍不能替代 BCI 解码验证。已有 EEG 相关工作尚未检索确认。