綠色學習（Green Learning, GL）通過強調節能解決方案和輕量級模型來促進深度學習的可持續性。用于視頻的隱式神經表示（Implicit Neural Representations, INRs）為這種范式提供了一種緊湊且高效的視頻表示方法。本研究介紹了SNeRV+，這是一種時空譜保持型神經表示方法，它利用神經切線核（Neural Tangent Kernel, NTK）分析來增強學習效果。為了減輕空間和時間域中的譜偏置，SNeRV+采用了兩級處理方法：不同的編碼器分支分別處理低頻（Low-Frequency, LF）和高頻（High-Frequency, HF）成分。三維離散小波變換將每一幀分解為其時間變化，將LF和HF成分編碼為逐幀嵌入。LF成分用于捕捉靜態場景和穩定運動，其解碼參數在所有幀中保持不變，從而減少時間差異并減輕譜偏置。HF成分用于編碼時變細節，通過利用LF相關參數作為先驗信息來動態重構。這種設計使得時間變化的表示更加高效和緊湊。實驗結果表明，SNeRV+在視頻回歸、插值、外推和壓縮方面優于現有的基于INR的方法，在定量和定性評估指標上都取得了更好的性能。