NOIR：用于隐式表示的神经算子映射
计算机视觉与模式识别
2026-03-16 v1
摘要
本文提出了 NOIR 框架，将核心医学成像任务重新定义为连续函数空间之间的算子学习，挑战了基于离散网格的深度学习主流范式。NOIR 不再依赖固定的像素或体素网格，而是将离散医学信号嵌入共享的隐式神经表示中，学习一个神经算子来映射其潜在调制，从而实现解析度无关的文件到文件转换。我们在多个 2D 和 3D 下游任务上评估了 NOIR，包括分割、形状完成、图像到图像转换和图像合成，在多个公开数据集上测试，包括深圳、OASIS-4、SkullBreak、fastMRI 以及一个内部临床数据集。NOIR 在原生分辨率下实现了具竞争力的性能，同时对未见的离散化表现出强大的鲁棒性，并经实验证明满足神经算子的关键理论属性。项目页面可在 https://github.com/Sidaty1/NOIR-io 查阅。
引用
@article{arxiv.2603.13118,
title = {NOIR: Neural Operator mapping for Implicit Representations},
author = {Sidaty El Hadramy and Nazim Haouchine and Michael Wehrli and Philippe C. Cattin},
journal= {arXiv preprint arXiv:2603.13118},
year = {2026}
}