암시적 신경 표현 (Implicit Neural Representations, INRs)은 운동 필드 (motion fields)의 연속적이고 압축된 표현을 제공하여 심장 운동 추정 (cardiac motion estimation)에 매우 적합합니다. 그러나 각 이미지 시퀀스에 INR을 맞추는 과정은 시간이 많이 소요되며 최적화 경로 (optimisation trajectory)에 민감합니다. 학습된 사전 정보 (Learned priors)는 최적화가 타당한 운동 필드로 향하도록 안내하고 더 빠른 적응 (adaptation)을 가능하게 할 수 있지만, 심장 운동 INR을 위한 사전 정보를 학습하는 연구는 여전히 미개척 분야로 남아 있습니다. 본 연구에서는 공동 최적화 (joint optimisation)를 통해 학습된 집단 사전 정보 (population prior), 가중 평균 (weight averaging)을 통해 얻은 합의 사전 정보 (consensus prior), 오토 디코더 (auto-decoders), 그리고 메타 학습 (meta-learning)을 포함하여 심장 운동 사전 정보를 학습하기 위한 네 가지 전략을 비교합니다. UK Biobank의 단축 태그 심장 자기공명영상 (short-axis tagged cardiac magnetic resonance images)을 사용하여, 이들이 추적 정확도 (tracking accuracy), 운동 동작 (motion behaviour), 그리고 적응 경로 (adaptation trajectory)에 미치는 영향을 평가합니다. 모든 학습된 사전 정보는 무작위 초기화 (random initialisation)와 비교했을 때 초기 적응 성능을 실질적으로 향상시켰습니다. 단순한 합의 사전 정보 (consensus prior)가 효과적이었던 반면, 오토 디코더 (auto-decoders)는 초기 적응 단계에서 큰 변형 (large deformations)을 더 빠르게 복구했습니다. 메타 학습 (Meta-learning)은 강력한 초기 성능을 달성하였으며 50회 반복 (iterations) 동안 가장 우수한 적응 경로를 유지했습니다.