势场地球物理的隐式神经表示

基于摘要分析。本文研究如何从地球物理测量样本学习连续势场，提出以空间坐标为输入的 MLP 隐式神经表示，用于编码合成及真实航空地球物理测线数据，并与传统网格化方法比较。 核心机制是由坐标 MLP 学习测量样本所对应的场函数，再从连续表示生成规则网格；同一框架还通过自动微分直接计算连续域中的梯度。作者称训练较快，且仅需单个测区内的已记录样本，但摘要未给出训练耗时、模型规模及采样密度。 作者报告，在以合成正演模型为真实参考的规则网格重建比较中，该方法的均方根误差为 10.3 nT，minimum curvature 方法为 18.75 nT。作者还报告，所求水平梯度相对于数值计算梯度较准确，但这些案例数据上的垂直梯度表现较差。因此，场值重建精度不能直接替代对各方向导数可靠性的验证。具体训练与评估样本划分、边界处理、消融及统计信息尚未验证。 平台推测（待验证）：可检验的跨领域假设是，将坐标条件连续表示用于 EEG 头皮电位的空间插值，而非直接视为 BCI 解码方法。可复用坐标到场值的拟合机制，但需处理电极所在曲面、参考电极及时间维度；稀疏通道、低信噪比和跨被试头形差异可能使插值与空间梯度不稳定。小实验可在同一被试、同一记录中留出部分电极，以保留电极拟合并预测留出电极，与传统空间插值比较，同时独立检查导数稳定性。已有 EEG 相关工作尚未检索确认。