选择所需信息：用于场景文本识别、移除与编辑的解耦表征学习

该研究面向场景文本识别、移除与编辑，提出 Disentangled Representation Learning 框架 DARLING，将图像表征拆分为风格与内容特征，试图解决不同任务共用紧耦合特征导致的信息适配不足。以下基于摘要分析，未取得论文全文。 核心机制是合成风格相同、内容不同的图像对，并通过不同监督约束两类特征：内容特征接受文本识别损失监督，风格特征通过对齐损失在配对图像间保持一致；随后结合风格特征与指示配对图像内容的提示，由图像解码器重建配对图像。其方法重点在于利用可控配对关系和重建任务约束信息分工，而不只是将表征划分为两个部分。摘要将字体、背景列为风格信息，将字符、纹理列为内容信息，但具体操作定义仍需正文核对。 作者报告，该方法在 Scene Text Recognition、Removal 和 Editing 上达到最先进性能；摘要未提供数据集、划分、基线或具体指标，因此目前无法核实提升幅度及比较条件。实验协议、消融及统计信息尚未验证，尤其需核对配对数据构造方式，以及解耦程度与各下游任务收益之间的关系。 平台推测（待验证）：其潜在 EEG 对应是将任务相关信息与被试或会话差异分开建模，而非直接复用文本图像中的风格定义。原方法依赖可控的同风格、异内容配对及明确的文本监督；EEG 中被试特征与任务响应可能相互作用，难以满足同样的可分离假设。可借鉴分组表征、配对对齐与条件重建思路，但需改造信号编码器、配对规则和重建条件。低信噪比、通道差异及小样本可能使对齐约束抹去任务信息。一个可检验的小实验是在固定 Cross-session 划分下，以同会话、不同任务样本构造候选配对，对比启用与移除解耦约束时的任务表现及会话信息可预测性；两者需联合评价，不能仅凭重建质量判定有效。已有 EEG 相关工作尚未检索确认。