基于隐式神经表示的图像生成研究综述.docVIP

基于隐式神经表示的图像生成研究综述

一、隐式神经表示的核心内涵与技术演化脉络

隐式神经表示（ImplicitNeuralRepresentation,INR）是一种将信号的坐标信息作为输入、通过神经网络拟合映射关系输出对应位置信号属性的范式，其核心逻辑是打破传统离散采样的信号存储框架，将连续的坐标空间与信号属性之间的映射关系编码为神经网络的权重参数。相较于传统图像表示中以像素矩阵为载体的显式离散存储模式，隐式神经表示天然具备连续可微分、内存占用与信号分辨率解耦的特性，仅需调整输入坐标的采样密度即可生成任意分辨率的图像内容，为高分辨率图像生成、超分辨率重建、三维视图合成等任务提供了全新的技术路径。

该技术的演化最早可追溯至2000年前后神经网络用于几何形状拟合的相关探索，但受限于网络结构表达能力与算力约束，早期研究仅能处理简单的低维信号拟合任务。2019年，神经辐射场（NeRF）技术的提出标志着隐式神经表示正式进入计算机视觉主流研究视野，其通过将空间三维坐标与观察角度作为输入，使用多层感知机（MLP）拟合场景的密度与颜色信息，实现了前所未有的新颖视图合成效果。受NeRF成功的启发，研究者开始将隐式表示范式拓展至二维图像生成领域：2020年提出的Siren网络首次采用正弦激活函数替代传统ReLU激活，大幅提升了MLP对图像高频细节的拟合能力，为后续隐式图像生成模型的发展奠定了结构