본 논문은 이미지, 3D 형상, 부호 거리장, 방사율장과 같은 신호를 표현하는 데 사용되는 Implicit Neural Representations (INRs)의 한계를 극복하기 위해 Hyper-Coordinate Implicit Neural Representations (HC-INR)을 제안합니다. HC-INR은 hypernetwork를 사용하여 신호 적응형 좌표 변환을 학습함으로써 표현 병목 현상을 해결하고, 계층적 메커니즘을 통해 신호 복잡도에 동적으로 적응합니다. HC-INR은 multiscale 좌표 변환 모듈과 compact implicit field network로 구성되며, 기존 INR보다 높은 재구성 충실도를 보이며 파라미터 수를 줄입니다.
