DINER：排列次序不变的隐式神经表示

基于摘要分析。本文研究隐式神经表示（INR）在信号表示与逆问题中受到网络训练频谱偏置限制的问题，提出 DINER：在传统 INR 骨干前增加哈希表，通过重映射输入坐标，使信号更易被后续网络拟合。主要研究对象是图像/视频表示、相位恢复与折射率恢复，而非 EEG 或 BCI。 核心机制是将信号属性值的分布与其坐标排列区分开来。对于属性直方图相同、排列次序不同的离散信号，作者提出利用哈希表将坐标投射到相同分布，使映射后的信号更适合后续 INR 建模，从而缓解频谱偏置。摘要未交代哈希表的具体构造、优化方式、损失函数及未见坐标的处理方式，这些均需正文核对。 作者报告，实验覆盖 MLP 与 SIREN 两类 INR 骨干，以及图像/视频表示、相位恢复和折射率恢复任务，并在所比较算法中取得质量和速度优势。摘要未提供数据集、划分、具体基线、评价指标或数值，因此尚不能判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 片段表示为时间或时间—通道坐标到信号幅值的函数，坐标重映射可能为复杂波形拟合提供可复用模块，但这只是假设，不代表 BCI 解码能力提升。需改造坐标编码与通道处理，并核对重映射是否影响时间连续性、通道关系及未见时间点的插值；低信噪比与小数据条件下也可能更容易拟合噪声，跨被试适用性未知。一个可证伪的小实验是在相同 EEG 片段、骨干及训练预算下，对比原始 INR 与加入哈希表的版本，分别评估留出时间点重建误差、频谱保真度、训练时间和存储开销。已有 EEG 相关工作尚未检索确认。