缩小表示的重要性：利用协同缩小图像改进图像缩放

基于摘要分析。本文研究图像缩放（IR）：学习低分辨率（LR）图像表示，以重建原始高分辨率（HR）图像。作者提出 Hierarchical Collaborative Downscaling（HCD），通过在 HR 与 LR 两个域中进行梯度下降，改善缩小后的表示，而不是仅依靠联合优化缩小与放大模型。 核心机制是直接优化图像本身：以重建损失对 LR 图像求梯度并进行下降，生成有利于重建的协同 LR 样本；进一步考虑到 LR 图像由 HR 图像缩小得到，将优化扩展至 HR 域。与固定 bicubic 下采样的超分辨率方法相比，本文关注可学习的缩小表示；相对于已有 IR 方法，其区别主要在于引入针对图像表示的直接优化。摘要未给出具体损失形式、迭代次数、模型参数是否同步更新，以及训练与推理阶段的执行方式。 作者报告，HCD 在图像重建的定量与定性评估中均带来改善，并可用于多种 IR 模型。摘要未提供数据集、划分、对照模型、指标或具体数值，因此无法判断收益幅度及不同设置间的可比性。实验协议、消融及统计信息尚未验证；复现时还需核对图像更新约束、额外计算开销，以及生成 LR 表示时所需的 HR 信息。 本文主要对象是图像重建，并非 EEG 或 BCI 解码。摘要尚未建立该图像表示优化机制与神经信号任务的具体对应关系，不能据此推断其具有 BCI 效果；已有 EEG 相关工作尚未检索确认。