证据预算约束的光传输表征学习：墙面反射屏幕内容恢复

该研究探索普通相机能否通过屏幕投射到墙面的漫反射光恢复隐藏的屏幕内容，提出 Evidence-Budgeted Light Transport Representation Learning（EBLTR），使重建细节的修正幅度受存留观测证据约束。基于摘要分析，未取得论文全文。 核心机制是针对光传输在不同位置、尺度及频段上不均匀保留信息的问题，利用 Light Transport Observability Representation（LTOR）融合分频响应、局部墙面统计和多层级特征，估计可用证据；Evidence-Budgeted Learning（EBL）再将该估计转换为局部修正预算。训练期间，冻结的屏幕到墙面替代模型用于检查重建结果与墙面观测的一致性。摘要未给出预算计算方式、具体损失或替代模型的构建过程。 作者报告，在四类屏幕内容及多种观测条件下，EBLTR 优于 19 种重建基线，可恢复屏幕颜色、区域布局和局部结构线索，并减少缺乏墙面观测支持的错误边缘、纹理、界面轮廓与文字笔画。摘要未提供具体数据集、划分、指标及效应大小，因此尚不能判断优势幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是“重建修正应服从局部可观测性”，而非墙面成像模型本身。若用于 EEG 信号重建或去噪，可尝试复用证据估计与修正预算机制，但需按通道、时频结构及信号生成过程重新设计，不能直接沿用光传输替代模型。低信噪比下的证据估计误差可能压制真实弱信号，被试差异、通道变化和小数据也可能使预算失准。可在固定 EEG 数据划分及相同重建骨干下，对比有无证据预算在受控通道遮挡、噪声扰动条件下的重建误差与信号保真度，检验其是否减少伪结构而不损伤真实成分。相关 EEG 工作尚未检索确认。