隐式神经表示（INRs）已成为信号处理和计算机视觉中的一种变革性范式，在从图像重建到3D形状建模的任务中表现优异。然而，它们的有效性在根本上受到缺乏系统性最优配置策略的限制——这包括激活选择、初始化尺度、层次适应及其复杂的相互依赖关系。这些选择决定了性能、稳定性和泛化性，但当前的实践依赖于即兴启发式、蛮力网格搜索或特定任务调优，这常常导致不同模态之间结果不一致。这项工作引入了OptiINR，这是第一个将INR配置形式化为严格优化问题的统一框架。通过利用贝叶斯优化，OptiINR有效地探索离散激活家族的联合空间——例如正弦（SIREN）、基于小波（WIRE）和可变周期（FINER）——及其相关的连续初始化参数。这一系统化的方法用一个连贯的数据驱动优化过程取代了碎片化的手动调优。通过提供全局最优配置，OptiINR为INR设计建立了一个原则性的基础，一贯最大化在多样信号处理应用中的性能.
Chen等（Sat,）研究了这个问题。