面向序列式视频编译的渐进式 Fourier 神经表示

基于摘要分析。本文研究神经隐式表示（NIR）在连续编码多个视频时，如何积累并迁移已有表示，而非为每个目标数据分别建立表示模型。作者提出 Progressive Fourier Neural Representation（PFNR），通过 Fourier 空间中的自适应紧凑子模块编码各阶段的视频，并冻结历史权重以保留先前学到的表示。 其核心机制是稀疏化神经编码：每个训练阶段使用部分权重表示当前视频，为后续视频保留可用权重；学习新视频时，则利用冻结权重中的历史表示进行迁移。作者主张，这种设计能够持续积累多个视频的表示，并保持旧视频已学表示不变。摘要所称的“无损解码”应理解为保持既有表示，不宜扩展为对原始视频逐像素无损重建的证明。 作者报告，在 UVG8/17 与 DAVIS50 视频序列基准上，PFNR 相比强持续学习基线取得性能提升，但摘要未提供具体指标、增益数值、视频顺序、容量预算或基线名称。Fourier 子模块的具体构造、稀疏权重选择方式、训练与解码成本，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在迁移路径是连续到来的 EEG 记录的隐式表示与重建，而非直接作为 BCI 分类器。可复用的是稀疏容量分配和冻结历史表示的机制；需改造输入坐标、通道表示及重建目标，并明确跨会话信息的可用范围。该路径依赖时序与通道结构以及足够的拟合数据，低信噪比、通道变化、跨被试差异及有限容量可能削弱复用收益。一个可证伪的小实验是在固定容量与一致数据划分下，顺序编码同一被试不同会话的 EEG，比较 PFNR 式分配、独立拟合与顺序微调的重建误差、旧会话性能保持及新增权重开销。已有 EEG 相关工作尚未检索确认。