F-INR: Functional Tensor Decomposition for Implicit Neural Representations隐式神经表示 （INR） 已成为使用神经网络将离散信号编码为连续、可微函数的强大工具。然而，不幸的是，这些模型通常依赖单体架构来表示高维数据，随着维度的增长，导致计算成本过高。我们提出了 F-INR，这是一个框架，它通过函数张量分解重新制定 INR 学习，将高维任务分解为轻量级的、特定于轴的子网络。每个子网络学习一个低维数据组件（例如，空间或时间）。然后，我们通过张量运算组合这些组件，降低前向传递的复杂性，同时通过专业学习提高准确性。F-INR 是模块化的，因此与架构无关，与 MLP、SIREN、WIRE