用于渐进式图像压缩的轻量级宽度—深度可伸缩隐式神经表示

基于摘要分析。本文研究以隐式神经表示（INR）进行图像压缩时，固定规模模型难以支持多质量等级、需要分别训练和存储的问题，提出 Width-Depth Scalable Implicit Neural Representation（WDS-INR），通过不同规模的可执行子网络表示不同质量的图像，支持渐进传输与解码。 核心机制是将单幅图像隐式存储于轻量级神经网络中，并沿宽度和深度调整可执行子网络的规模，以提供可伸缩码率。作者另提出带限初始化方案，以改善表示能力与训练稳定性，并对基础子网络引入元学习以加速编码。摘要未说明子网络之间的具体参数共享方式、训练目标、码流组织及元学习监督设置，这些实现条件尚未验证。 作者报告，相对于其采用的基线，所提方法在率失真评估中获得 0.28 dB 的 PSNR 增益，并通过基础子网络的元学习实现编码速度提升至 4 倍，同时支持可伸缩码率和渐进解码。摘要未提供数据集、基线名称、码率区间、计时硬件或训练成本口径，因此这些数值不能直接用于跨方法比较；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是图像压缩，而非 EEG 或 BCI。平台推测（待验证）：可伸缩 INR 或可为资源受限设备上的神经信号压缩提供方法参考，但前提是重新定义适合时间序列或通道—时间结构的表示与失真目标。可复用的是多规模表示思路，需改造的是信号坐标、码流和任务保真约束；低信噪比、跨被试差异、通道变化及小数据可能使重建质量与下游解码性能脱节。一个可证伪的小实验是在固定 EEG 数据划分与相同码率下，对比固定规模 INR 与可伸缩 INR，分别评估信号失真和同一下游任务的解码性能。已有 EEG 相关工作尚未检索确认，此迁移假设不构成已验证的 BCI 效果。