基于隐式神经表示的图像去噪器性能提升

基于摘要分析。本文研究基于 Implicit Neural Representation（INR，隐式神经表示）的无监督图像去噪，针对模型过参数化导致训练中过拟合噪声的问题，提出通过迭代更新监督信号来正则化 INR 的通用方法。 核心机制是在学习过程中，用模型预测与当前监督信号的均值替换监督信号。作者报告，其理论分析证明这种迭代替换能够逐步提高监督信号的信噪比，并使 INR 的学习受益。该结论所需的噪声假设、预测误差条件及适用边界，仍需结合全文核对，不能理解为任意数据和迭代次数下均有保证。 作者报告，图像去噪实验显示该方法能够有效正则化 INR、缓解过拟合并提升去噪性能。摘要未提供数据集、噪声类型与强度、训练及停止规则、对照方法或定量指标；实验协议、消融及统计信息尚未验证。复现时尤其需要核对监督更新的频率、初始化方式及其与训练停止策略的关系。 平台推测（待验证）：该机制与 EEG 低信噪比条件下模型拟合噪声的问题存在潜在对应，但原论文的研究对象是图像，并非 EEG 或 BCI。迁移假设是：在适当的时间或时空坐标表示下，预测与含噪监督的迭代平均可能缓解 EEG 去噪中的过拟合。可复用的是监督更新规则，需改造的是信号表示及去噪目标；非平稳噪声、通道差异、小数据和预测中的系统偏差，都可能使更新过程强化伪迹或抹平真实瞬态活动。一个可证伪的小实验是在同一 EEG 片段加入已知合成噪声，固定 INR、训练预算和停止规则，对比是否使用监督更新，同时检查重建误差及真实波形保留情况。已有 EEG 相关工作尚未检索确认。