用于错位多模态图像融合的混合空间模型

基于摘要分析。该研究针对红外与可见光图像融合中的模态错位和几何形变问题，提出联合优化图像配准与融合的双空间框架，将欧氏空间的局部细节保持能力与双曲空间的层级关系建模能力结合，以减少错位带来的伪影并整合互补信息。 核心机制包括 Hyperbolic Coupled Contrastive Learning Optimization（HCCLO），用于在双曲空间中对齐和优化红外、可见光嵌入的层级结构；以及任务自适应的双空间特征融合机制，动态平衡欧氏局部特征与双曲层级表示。相对于摘要所描述的主要在欧氏空间提取特征的方法，其主要方法差异是引入双曲表示，并将配准与融合放入统一优化框架。具体几何映射、对比学习目标、配准约束及动态融合实现尚未验证。 作者报告，该方法在错位多模态数据集实验中达到 state-of-the-art，并能捕获空间依赖与层级语义；但摘要未提供数据集名称、划分方式、错位生成或采集协议、对照基线及指标数值，因此无法判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证，复现所需的实现与训练配置也尚未确认。 研究对象是红外与可见光图像，而非 EEG 或 BCI。来源栏目中的 State space models 不足以证明论文采用状态空间模型。材料未建立图像层级结构、几何错位与神经信号问题的具体对应关系，因此不将其改写为已验证的 BCI 方法，也不据此提出迁移实验；相关 EEG 工作尚未检索确认。