DaFIR：用于鱼眼图像校正的畸变感知表征学习

基于摘要分析。DaFIR 研究鱼眼图像校正，针对现有学习方法将畸变特征与内容特征混合表示的问题，提出畸变感知表征学习框架，旨在分离两类特征，使校正过程更集中地利用畸变信息。 方法分为两个阶段：首先通过有监督前置任务预训练 Vision Transformer，回归畸变图像的畸变分布图，以学习畸变相关模式；随后微调预训练模型，预测逐像素流场以完成鱼眼图像校正。其核心思路不是直接从图像端到端学习校正，而是先以畸变监督塑造表征，再适配校正任务。畸变分布图的定义与生成方式、具体损失，以及特征解耦的验证方式，摘要未展开。 作者报告，在所开展的鱼眼图像校正实验中，该方法相较现有算法达到最先进表现，并能泛化至真实世界图像；但材料未提供数据集、划分、指标、数值或对照配置，因此无法核对效果幅度及适用范围。实验协议、消融及统计信息尚未验证。作者提供了公开代码链接，训练数据与监督构造、模型配置及复现条件仍需查阅全文和代码。 平台推测（待验证）：这一机制可启发 EEG 中内容与采集畸变的表征分离，但仅是假设，鱼眼几何畸变不等同于 EEG 伪迹或被试差异。可复用的是“畸变监督预训练—下游微调”流程，需改造输入编码、畸变标签及下游输出；其迁移依赖能否构造保留任务信息的可控扰动。低信噪比、跨被试差异、通道变化及小数据可能使畸变表征吸收任务信息。一个可证伪的小实验是在固定 EEG 数据划分与标签预算下，以已知人工扰动强度进行预训练，对比相同骨干直接训练，检查扰动鲁棒性是否改善且未损害原始信号任务表现。已有 EEG 相关工作尚未检索确认。