연속 시공간 비디오 초해상도(C-STVSR)에서 기존 방법들은 연속 인코딩을 위해 암시적 신경 표현(Implicit Neural Representation, INR)을 사용하지만, 종종 비디오 데이터의 복잡성을 충분히 포착하지 못하며, 단순 좌표 연결과 사전 학습된 광류(optical flow) 네트워크에 의존해 운동 표현을 구성한다. 흥미롭게도, 일반적인 관찰과는 달리 위치 인코딩을 추가하면 성능이 향상되지 않을 뿐 아니라 오히려 저하됨을 확인하였다. 이러한 문제는 특히 사전 학습된 광류 네트워크와 결합될 때 더욱 두드러지는데, 이는 모델의 유연성을 제한할 수 있기 때문이다. 이를 해결하기 위해 본 연구에서는 BF-STVSR을 제안하는데, 이는 비디오의 공간적·시간적 특성을 더 잘 나타내도록 설계된 두 가지 핵심 모듈을 포함한 C-STVSR 프레임워크이다: 1) 매끄러운 시간적 보간을 위한 B-spline Mapper, 2) 지배적인 공간 주파수를 포착하기 위한 Fourier Mapper. 본 접근법은 PSNR 및 SSIM을 포함한 다양한 지표에서 최신 성능을 달성하며, 향상된 공간적 디테일과 자연스러운 시간적 일관성을 보여준다. 우리의 코드는 $\text{here}$에서 이용 가능하다.

역문제(inverse problems) 중 하나인 동적 MRI 재구성은 딥러닝 기법의 활용에 힘입어 최근 급격한 발전을 보이고 있다. 특히, 정답(ground truth) 데이터 획득의 실질적 어려움은 비지도 학습 접근법의 출현으로 이어졌다. 그중 최근 유망한 방법은 암묵적 신경 표현(implicit neural representation, INR)으로, 좌표 값에 대응하는 신호 값으로 매핑하는 연속 함수를 통해 데이터를 정의한다. 이를 통해 불완전한 측정만으로도 누락된 정보를 채워 넣을 수 있으며 역문제를 효과적으로 해결할 수 있다. 그럼에도 불구하고, 이 방법을 반영한 기존 연구들은 긴 최적화 시간과 광범위한 하이퍼파라미터 튜닝의 필요와 같은 단점에 직면해 왔다. 이러한 문제를 해결하기 위해 본 연구에서는 DA-INR(Dynamic-Aware INR), 즉 영상 도메인에서 동적 MRI 데이터의 공간적 연속성과 시간적 연속성을 포착하고, 데이터의 시간적 중복성을 모델 구조에 명시적으로 반영하는 INR 기반 동적 MRI 재구성 모델을 제안한다. 그 결과, DA-INR은 극도로 낮은 언더샘플링 비율에서도 다른 모델들에 비해 재구성 품질에서 우수성을 보이면서도 최적화 시간을 유의하게 단축하고, 최소한의 하이퍼파라미터 튜닝만을 요구한다.