現在の多数の学習システムでは、画像は通常、2次元のピクセル配列として扱われる。しかし、近年注目が高まっている別の枠組みでは、2次元画像は暗黙的ニューラル表現（Implicit Neural Representation: INR）として表現される——すなわち、座標(x, y)を入力として、その位置に対応するRGBピクセル値を予測するMLP（多層パーセプトロン）である。本論文では、INRに基づく画像デコーダーを構築するための2つの新しいアーキテクチャ技術、すなわち「因子分解型乗算モジュレーション」と「マルチスケールINR」を提案し、それらを活用して最先端の連続画像GAN（生成対抗ネットワーク）を構築した。これまでのINRを画像生成に応用した試みは、MNISTのような単純なデータセットに限られ、複雑な現実世界のデータにはスケーラブルではなかった。本研究で提案するINR-GANアーキテクチャは、連続画像生成器の性能を数倍向上させ、連続画像GANとピクセルベースのGANとの間の性能ギャップを大幅に縮小した。さらに、INRベースのデコーダーが持ついくつかの興味深い特性についても検討した。具体的には、即座に超解像（out-of-the-box superresolution）が可能であること、意味のある画像空間内補間（meaningful image-space interpolation）が実現できること、低解像度画像の推論を高速化できること、画像境界外への外挿（extrapolation）が可能であること、そして強い幾何学的事前知識（strong geometric prior）を持つことなどである。プロジェクトページは以下のURLに掲載されている：https://universome.github.io/inr-gan。