NSTR：面向空间变频场的神经光谱传输表示

隐式神经表征 (Implicit Neural Representations, INRs) 已成为表示图像、音频和 3D 场景等信号的强大范式.然而,现有 INR 框架 -- 包括带有傅里叶特征的 MLP、SIREN 和多分辨率哈希网格 -- 隐式假设一种“全局且平稳”的光谱基,这一假设本质上与实际信号不符,后者在空间上呈现显著的频率特性变化,表现为局部高频纹理、平滑区域和频率漂移现象.我们提出\textbf{神经光谱传输表示 (Neural Spectral Transport Representation, NSTR)},这是首个显式建模空间变局部频率场的 INR 框架. NSTR 引入可学习的\emph{频率传输方程},该偏微分方程规定了局部谱组成随空间的演化方式.给定可学习的局部谱场 $S(x)$ 和频率传输网络 $F_\theta$ 以实现 $\nabla S(x) \approx F_\theta(x, S(x))$, NSTR 通过空间调制一组紧凑的全局正弦基来重构信号.该表述实现了强大的局部适应性,并通过可视化频率流提供了新的解释层次.在 2D 图像回归、音频重建和隐式 3D 几何建模实验中,NSTR 的准确率-参数权衡显著优于 SIREN、傅里叶特征 MLP 和 Instant-NGP. NSTR 所需的全局频率更少,收敛更快,并通过谱传输场自然解释信号结构.我们认为 NSTR 通过显式建模空域频谱,为 INR 研究开辟了新方向.