学习用于 X 射线透视图像去噪的多尺度图像块表示

基于摘要分析。该研究面向低剂量 X 射线透视图像去噪，提出可训练的多尺度图像块稀疏表示框架，目标是在接近实时的处理需求下保留重要图像结构并减少伪影；其主要研究对象是医学图像，而非 EEG 或 BCI。 方法采用传统迭代阈值方法的过程中心视角，将其引入深度学习框架，通过多层级分解及规模和复杂度较低的图像块字典重建重要图像特征。所学习的基可针对结构信息保留进行调整。摘要未说明具体网络结构、阈值参数化方式、损失函数、训练监督或噪声建模方式，这些细节尚未验证。 作者报告，在真实临床数据上的去噪质量优于 BM3D，且计算速度更快；摘要未提供量化指标、样本规模、训练与测试划分、硬件条件或计时口径，因此不能确认改善幅度及实际近实时能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将多尺度稀疏表示用于 EEG 去噪，可复用的是可训练迭代阈值与多尺度字典思想；二维图像块及其结构先验则需改造成适合时间片段或通道—时间结构的表示。该假设依赖可用的训练目标及合理的噪声设定，低信噪比下可能将微弱神经活动当作噪声抑制，跨被试、通道变化与小数据也可能削弱字典泛化。一个可检验的小实验是在严格隔离训练与测试数据的 EEG 片段上注入已知噪声，对比固定稀疏去噪与可训练版本，同时检查波形保真和下游任务表现；这不代表已证实的迁移效果，已有 EEG 相关工作尚未检索确认。