DDMI: نماذج التوسع الكامنة غير المرتبطة بالمنطقة ل合成了高质量的隐式神经表示 请注意，最后一句 "ل合成了高质量的隐式神经表示" 包含了中文字符，这可能是由于原文本中的句子结构导致的。正确的翻译应该是： DDMI: نماذج التوسع الكامنة غير المرتبطة بالمنطقة لإنشاء تمثيلات عصبية ضمنية عالية الجودة

دراسات حديثة قدّمت فئة جديدة من نماذج التوليد لتركيب تمثيلات عصبية ضمنية (INRs) التي تلتقط إشارات مستمرة عشوائية في مجالات مختلفة. أتاحت هذه النماذج الباب أمام نماذج توليدية غير مرتبطة بمجال معين، لكنها غالباً ما تفشل في تحقيق جودة عالية في التوليد. لاحظنا أن الأساليب الحالية تقوم بتوليد أوزان الشبكات العصبية لتخصيص INRs وتقييم الشبكة باستخدام مغروسات موضعية ثابتة (PEs). يمكن القول إن هذا التصميم يحد من قوة التعبير للنماذج التوليدية ويؤدي إلى توليد INRs منخفض الجودة. لمعالجة هذه القصور، نقترح نموذج الانتشار الكامن غير المرتبط بالمجال لـ INRs (DDMI) الذي يقوم بتوليد مغروسات موضعية متكيفة بدلاً من أوزان الشبكات العصبية. تحديداً، طوّرنا كودر ذاتي متغير من الفضاء المنفصل إلى الفضاء المستمر (D2C-VAE)، والذي يربط بين البيانات المنفصلة ودوال الإشارات المستمرة بسلاسة في الفضاء الكامن المشترك. بالإضافة إلى ذلك، نقدم آلية تكييف جديدة لتقييم INRs باستخدام المغروسات الموضعية المفككة هرمياً لتعزيز قوة التعبير بشكل أكبر. أظهرت التجارب الواسعة عبر أربع وسائط، مثل الصور ثنائية الأبعاد والأشكال ثلاثية الأبعاد وحقول الإشعاع العصبي والفيديوهات، مع سبع مجموعات بيانات مرجعية، مدى متانة DDMI وأدائها المتفوق مقارنة بنماذج التوليد الحالية لـ INRs.