====== Implicitní neuronové reprezentace (INR) ======

**Implicitní neuronové reprezentace (INR)** představují paradigma, kde je signál (obraz, zvuk, 3D tvar nebo video) reprezentován jako **spojitá funkce** aproximovaná neuronovou sítí. 

Na rozdíl od **explicitních reprezentací** (kde jsou data uložena v diskrétních strukturách jako jsou pixely nebo polygony), INR ukládá informaci do samotných vah ($\theta$) neuronové sítě.

===== Explicitní vs. Implicitní reprezentace =====

^ Typ ^ Datová struktura ^ Příklad ^
| **Explicitní** | Mřížka (Grid), Tabulka, Mesh. | JPEG (pixely), STL (trojúhelníky), MP3 (vzorky). |
| **Implicitní** | Parametry neuronové sítě (Váhy). | [[coordinate_networks|NeRF]], SIREN, Occupancy Networks. |



===== Matematický princip =====

V INR definujeme funkci $f_\theta$, která mapuje souřadnice na hodnotu signálu:
$$y = f_\theta(x)$$
* **$x$:** Vstupní souřadnice (např. čas $t$, prostor $x,y,z$ nebo úhel pohledu).
* **$y$:** Hodnota v daném bodě (např. barva, hustota, akustický tlak).
* **$\theta$:** Parametry sítě, které "kódují" vzhled nebo tvar objektu.

===== Proč je to "Implicitní"? =====
Nazývá se tak proto, že povrch objektu nebo detaily obrazu nejsou nikde přímo "zapsány". Jsou definovány **implicitně** – například jako množina všech bodů, kde funkce vrací určitou hodnotu (např. povrch 3D objektu je tam, kde $f(x,y,z) = 0$).



===== Klíčové výhody =====

  * **Nezávislost na rozlišení:** Protože je funkce spojitá, můžeme se na detail dotázat v libovolném měřítku (nekonečný zoom).
  * **Diferencovatelnost:** Celá reprezentace je matematicky hladká. To umožňuje používat derivace pro optimalizaci tvarů nebo řešení fyzikálních úloh (vazba na [[neural_odes|Neural ODEs]]).
  * **Komprese:** Komplexní 3D scény, které by vyžadovaly gigabajty dat v mřížce voxelů, lze uložit do několika megabajtů parametrů sítě.

===== Aktivační funkce: Klíč k detailu =====
Klasické sítě používají funkci ReLU, která je však pro INR nevhodná, protože "vyhlazuje" detaily. Moderní INR využívají:
  * **SIREN:** Sinusoidální aktivace umožňující zachytit jemné textury a hrany.
  * **Fourier Features:** Mapování vstupů do vysokofrekvenčního prostoru, aby síť "viděla" ostře.

===== Využití v moderním IT (2025+) =====

  * **Neurální rendering:** Generování realistického 3D prostředí v reálném čase (pokračovatel klasického ray-tracingu).
  * **Analýza signálů:** Čištění šumu ze starých nahrávek nebo fotografií pomocí neurální rekonstrukce.
  * **Vědecké simulace:** Modelování proudění kapalin nebo šíření tepla jako spojitých neurálních polí.

---
//Související pojmy: [[coordinate_networks|Coordinate Networks]], [[neural_odes|Neural ODEs]], [[hluboke_uceni|Hluboké učení]]//