隐式神经表示

以图像为例，其最常见的表示方式为二维空间上的离散像素点。但是，在真实世界中，我们看到的世界可以认为是连续的。于是，可以考虑使用一个连续函数来表示图像的真实状态，然而我们无从得知这个连续函数的准确形式，因此有人提出用神经网络来逼近这个连续函数，这种表示方法被称为“隐式神经表示“ （Implicit Neural Representation，INR），是一种对各种信号进行参数化的方法。

传统的信号表示通常是离散的，而隐式神经表示将信号参数化为一个连续函数，将信号的域映射到该坐标上的属性的值(例如对于图像，就是将像素坐标映射到R,G,B颜色)。
之前介绍的Deep SDF NerF都是基于隐式神经表示

应用

1、新视角合成
RGB图像的动态场景或者已知相机位姿等参数的一组图像作为输入，创建一个几何和外观的隐式神经表示，通过点坐标和视角方向得到RGB颜色以及体密度，即可推测新视角的图像
2、三维重建
RGB图像作为输入，创建隐式神经网络，输入坐标以及特征向量，输出占有概率，通过设置阈值（水平集）推测得到重建模型的占有域，比如Deep SDF中输出值为零的点集合作为物体表面得到三维模型。
目前网络结构大多使用基于ReLuc的多层感知器MLP（全连接网络）