Implicit Neural Representation (INR) 방법론은 연속적인 좌표-값 매핑 (coordinate-to-value mappings)을 제공하며 직접적인 볼륨 렌더링 (volume rendering)과 자연스럽게 통합되어, 볼륨 데이터 (volumetric data)를 표현하는 데 매우 매력적입니다. 그러나 볼륨 데이터를 위한 기존의 INR 기반 접근 방식은 본질적으로 손실이 발생하며(lossy), 아주 작은 재구성 오차조차 렌더링 및 후속 분석 (downstream analysis) 과정에서 전파될 수 있습니다. 본 연구에서는 비트 평면 분해 (bit-plane decomposition)를 기반으로 한 3D 과학적 볼륨 데이터를 위한 손실 없는 INR 프레임워크인 Lossless-INR를 탐구합니다. 각 복셀 (voxel) 값을 이진 비트 평면으로 분해함으로써, 우리는 재구성을 비트별 이진 분류 (per-bit binary classification)로 재정의하며, 이를 통해 정확한 복구는 모든 비트를 올바르게 예측하는 문제로 축소됩니다. 표현을 압축적으로 유지하면서도 이러한 최적화를 다룰 수 있도록(tractable), 우리는 복잡한 영역을 적응적으로 세분화하는 옥트리 블록 분할 (octree block-partitioning) 전략과 그리드 항목이 삼진 값 집합 (ternary set of values)으로 매개변수화된 삼진 특징 그리드 네트워크 (ternary feature-grid network)를 결합합니다. 다양한 볼륨 데이터셋에 대한 실험을 통해, 이 설계가 제로 비트 오차율 (zero bit-error rate)과 비트 단위의 정확한 재구성 (bit-exact reconstruction)을 달성할 수 있음을 보여주며, 이를 통해 압축된 표현으로도 충실한 렌더링 및 후속 분석을 가능하게 합니다. 코드는 https://github.com/TouKaienn/Lossless-INR 에서 확인할 수 있습니다.