DeepWSD：将感知空间中的退化映射为深层特征空间中的 Wasserstein 距离

基于摘要分析。本文研究全参考图像质量评价（FR-IQA），提出 DeepWSD：从统计分布视角描述图像的感知质量退化，利用深层特征空间中的 Wasserstein 距离形成质量评分。其主要研究对象是图像质量预测与优化，而非 EEG 或 BCI。 方法在预训练 VGG 网络各阶段的特征上计算一维 Wasserstein 距离，再据此得到最终质量分数。相较于摘要所述的确定性特征比较方式，其核心变化是通过特征分布差异度量失真，而不只是直接比较对应特征。具体的分布构建方式、各阶段分数如何汇总，以及质量优化的目标与流程，均尚未验证。 作者报告，实验与理论分析支持 DeepWSD 在质量预测和优化方面的优势，并认为其能更好地解释不同失真造成的质量退化。摘要未提供数据集、划分、对照方法、评价指标或数值，因此无法量化优势或判断适用范围；实验协议、消融及统计信息尚未验证。作者提供了公开实现链接，但代码内容、依赖和复现条件尚未核验。 平台推测（待验证）：若用于有干净参考信号的 EEG 伪迹退化评估，可检验“特征分布距离能否表征质量下降”这一假设，而不能直接把图像结论视为 BCI 效果。可复用的是分阶段特征分布比较与 Wasserstein 度量；VGG 特征提取及质量标定需针对 EEG 改造。低信噪比、通道差异与小数据可能使距离主要反映被试差异，分布统计也可能弱化关键时序信息。一个小规模检验是对同一 EEG 片段加入不同强度的可控伪迹，比较该距离与直接特征距离能否稳定反映退化程度，并用独立被试检查一致性。相关 EEG 工作尚未检索确认。