在时变体积数据中，隐式神经表示（INRs）通常需要在时空坐标上进行密集采样，每个观测对应于空间和时间中的一个点。这种坐标级的公式化在优化过程中需要大量采样，导致高计算成本和时间结构的低效利用。本文重新审视了这一设计选择，表明密集的时空采样并不是学习时变场的必要条件。
相反，我们将数据表示为一组空间索引的时间序列，并通过对每个空间位置的序列级监督来训练INRs，而非逐坐标的标量样本。这种重新公式化消除了对密集时空采样的需求，以结构化的方式从其完整的时间演变中学习每个空间位置。我们展示了这种表示方式与多种现有INR架构的兼容性，并且始终提高了重建质量，同时显著降低了训练成本。
此外，我们还证明了这种公式化可以与专家混合架构结合使用，我们的MoE实例化在重建质量上进一步超越了基础重新公式化和现有的基于MoE的INR方法，为异构时间动态提供了更强的能力分配。
博主点评： 这项研究通过重新定义隐式神经表示在时变数据中的应用，为高效学习提供了新思路，尤其在减少计算成本的同时提升了重建质量，具有重要的实际意义。未来，结合更多架构的可能性值得进一步探索。