近年来，隐性神经表征（INRs）已经出现，并显示出其比离散表征更多的优势。.然而，将INR与给定的观测值进行拟合，通常需要从头开始用梯度下降法进行优化，这种方法效率很低，而且对于稀疏的观测值没有很好的通用性。.为了解决这个问题，大多数先前的工作都是训练一个超网络，生成一个单一的矢量来调节INR的权重，而这个单一的矢量成为一个信息瓶颈，限制了输出INR的构建精度。.最近的工作表明，通过基于梯度的元学习，可以精确推断出INR中的全部权重，而不会出现单向瓶颈。.在基于梯度的元学习的广义公式的激励下，我们提出了一个使用变形金刚作为INR的超网络的公式，它可以直接建立INR权重的全集，变形金刚专门作为集与集的映射。.我们展示了我们的方法在不同任务和领域中建立INR的有效性，包括二维图像回归和三维物体的视图合成。.我们的工作在Transformer超网络和基于梯度的元学习算法之间建立了联系，并且我们提供了进一步的分析来理解所产生的INRs。.带有代码的项目页面是：aturl{https://yinboc.github.io/trans-inr/}.

《Transformers as Meta-Learners for Implicit Neural Representations》

论文地址:http://arxiv.org/abs/2208.02801v1