NPN：用于成像逆问题的零空间非线性投影

基于摘要分析。该研究针对欠采样、含噪测量下的成像逆问题，提出 Non-Linear Projections of the Null-Space（NPN）：利用神经网络构建与感知矩阵零空间相关的低维投影先验，以约束测量无法唯一确定的解分量，而非仅在图像域施加结构约束。 核心机制：感知算子的零空间包含无法通过测量区分的信号变化，是逆问题多解性的来源。NPN 将这一任务特定结构纳入正则化设计；作者将其优势概括为先验的可解释性及对不同重建框架的兼容性，并强调其可与传统图像域先验互补。摘要未给出非线性投影的具体定义、网络结构、训练监督、损失形式或零空间计算方式，这些实现条件尚未验证。 理论与实验：作者称提供了 NPN 用于 plug-and-play 方法时的收敛与重建精度保证，但定理假设、噪声条件及误差界形式尚未验证。作者报告，在多种感知矩阵及压缩感知、去模糊、超分辨率、计算机断层成像和磁共振成像任务中，NPN 能提升重建保真度，并可结合 plug-and-play、展开网络、deep image prior 和扩散模型。摘要未提供数据集、划分、指标数值或具体对照，不能据此量化提升幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应场景是具有明确前向算子的源成像逆问题，而非直接的 BCI 分类。假设 EEG 前向模型足够可靠，零空间约束思路可能用于处理源重建的不可辨识性；可复用的是算子相关先验与重建框架接口，需改造的是源空间表示、训练数据及噪声建模。低信噪比、通道减少、跨被试头模型差异和小数据训练均可能削弱该假设。一个可证伪的小实验是在固定 EEG 前向矩阵的模拟源重建中，比较相同重建器加入与不加入 NPN 的源定位误差和测量一致性，并改变噪声及通道条件。原论文结果不构成 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。