面向可信图像质量评估的因果感知启发式表征学习

基于摘要分析。该研究面向无参考图像质量评估（NR-IQA）的对抗鲁棒性问题，提出 Causal Perception Inspired Representation Learning（CPRL），尝试通过因果干预削弱虚假相关，并强化与图像质量有关的表征；其主要研究对象是图像质量评估，而非 EEG 或 BCI。 机制上，作者将需要强化的表征称为 CPR，将需要消除的非因果相关表征称为 N-CPR。方法先生成一系列针对 N-CPR 的干预图像，再最小化因果不变性损失，以增强 CPR；同时引入即插即用的 SortMask 模块，通过阻断均值附近的小变化来降低 Lipschitz 常数，意在抑制 N-CPR 的影响。摘要未给出干预图像的生成规则、损失的数学形式、SortMask 的具体运算及其接入位置，相关机制与理论适用条件尚未验证。 作者报告，在 8 个基线模型和 5 种攻击方法上的实验支持 CPRL 提升基线模型抵抗对抗攻击的鲁棒性。材料未提供数据集、划分、攻击预算、防御知情条件、质量预测指标或提升幅度，因此目前无法判断收益大小，以及鲁棒性与正常图像预测性能之间的权衡；实验协议、消融及统计信息尚未验证。作者还声称这是首次提出并获得理论支持的、基于因果解释的 NR-IQA 防御方法，该优先性与理论结论需结合全文及相关工作核对。 现有材料不足以建立图像质量因果干预与 EEG 信号结构之间的具体对应关系，不能据此认定其具有 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现首先需要核对干预构造、SortMask 实现及完整攻击评估设置。