DINER：排列无关的隐式神经表示

基于摘要分析。本文研究隐式神经表示（INR）在信号拟合与逆问题中受到的频谱偏置限制，提出 DINER：在传统 INR 主干前加入哈希表，通过重映射输入坐标，使信号更易被后续网络表示。原论文主要面向图像、视频及光学逆问题，并非 EEG 或 BCI 研究。 核心机制是改变信号属性与输入坐标的对应关系，而非仅调整 INR 主干。对于属性直方图相同、排列顺序不同的离散信号，作者指出哈希表能够将坐标投影到相同分布，从而显著缓解频谱偏置。这里的“排列无关”针对摘要所述离散信号条件，不宜直接理解为对任意时序置换均保持任务语义。哈希表的具体构建与优化方式、损失函数及推理流程尚未验证。 作者报告，该方法适用于 MLP 与 SIREN 两类 INR 主干，并在图像／视频表示、相位恢复和折射率恢复任务中，相比所比较的先进算法取得质量与速度优势。摘要未提供数据集、划分、具体基线及数值，实验协议、消融及统计信息尚未验证；复现还需核对哈希表存储开销及速度测量口径。 平台推测（待验证）：若将离散 EEG 的时间—通道位置作为坐标、振幅作为拟合目标，可测试坐标重映射能否改善高频或瞬态成分的重建。可复用模块是坐标映射与 INR 主干，需改造部分是时间连续性、通道关系与未见坐标的处理。主要风险包括拟合低信噪比噪声、破坏相位或时序关系，以及小数据下映射过拟合；跨被试或通道变化也可能使映射失效。一个可证伪的小实验是在固定 EEG 片段、相同训练采样及总参数／存储预算下，对比普通 INR 与加入哈希表的 INR，评估留出时间点的重建误差和频谱保真度。已有 EEG 相关工作尚未检索确认，此假设不代表已证实的 BCI 收益。