用于隐式神经表示高频信息学习的自适应小波位置编码

基于摘要分析。本文研究 Implicit Neural Representation（INR，隐式神经表示）中网络偏向低频收敛、难以完整表达高频细节的问题，提出自适应 Wavelet-Positional Encoding（WPE），根据输入信号的频率分布增强基于坐标的连续函数表示。 机制上，作者先通过 High-Frequency Perception（HFP）从输入信号中查询高频成分的位置，将这些位置作为 WPE 的局部中心；随后借鉴小波级数回归，将低维坐标嵌入小波频率空间，以表达目标信号的细节。其机制重点不仅是引入频率特征，还包括利用信号内容确定编码的局部中心。HFP 的具体计算方式、小波选择、自适应参数及优化方式尚未验证。 作者报告，在摘要所述的 1D signal fitting、2D image regression 和 3D scene representation 实验中，该方法无需修改训练框架即可集成到多种 INR 方法，并改善性能。摘要未给出数据集、划分、对照方法、指标或提升幅度，实验协议、消融及统计信息尚未验证，不能据此判断改善的大小及稳定性。 平台推测（待验证）：原方法依赖可查询的信号内容及其坐标结构，可能用于检验 EEG 连续时间信号重建中的局部快速变化表达，但原领域效果不等于 BCI 有效性，频率较高也不等于具有更强任务信息。可复用 WPE 的坐标嵌入思路，HFP 则需适配 EEG 的时间—通道结构，并明确仅从训练或实际可用的观测中确定局部中心。低信噪比下，HFP 可能偏向肌电或其他高频伪迹；跨被试、通道变化及小数据条件下的稳定性也需评估。一个小规模可证伪实验是在固定被试内划分和相同 INR 主干下，对比原坐标编码与 WPE 的 EEG 重建误差、分频段误差及伪迹敏感性，不将重建改善直接解释为解码收益。已有 EEG 相关工作尚未检索确认。