HyperDiffusion：通过权重空间扩散生成隐式神经场

基于摘要分析。该研究针对隐式神经场缺少规则显式网格、难以直接开展生成建模的问题，提出 HyperDiffusion，在表示数据的 MLP 权重空间中训练扩散模型，以生成新的隐式神经场；主要研究对象是 3D 形状与 4D 网格动画，而非 EEG 或 BCI。 隐式神经场通过 MLP 将坐标映射为信号，例如由 xyz 坐标预测符号距离。方法分为两个阶段：首先为各个数据样本分别优化 MLP，使其表示对应样本；随后将这些 MLP 的权重作为扩散建模对象，学习隐式神经场的分布。生成时合成新的 MLP 参数，由这些参数定义新的神经场。因此，其核心区别在于生成对象是表示信号的网络权重，而不是显式网格或直接采样的信号值。 作者报告，该方法能够在统一框架内对 3D 形状和 4D 网格动画的紧凑、高保真隐式表示进行扩散建模。摘要未提供定量指标、数据集、数据划分或基线结果，因此尚不能评估其相对优势。各样本 MLP 的结构与参数对应关系、扩散训练目标、单样本拟合成本、生成质量及多样性评价、实验协议、消融及统计信息均尚未验证。 其机制依赖先将每个样本转换为可供共同建模的参数表示，并不天然对应 EEG 的噪声、通道差异或跨被试变化。当前材料不足以建立具体的 EEG 迁移机制或复现实验方案；已有 EEG 相关工作尚未检索确认。