用于近视视觉图像恢复的梯度正则化深度学习方法

该研究针对近视散焦导致细节感知下降的问题，提出对显示图像进行计算预补偿的深度学习方法，目标是让固定观看距离下的近视者感知到更清晰的场景。基于摘要分析，本文主要研究对象是近视条件下的图像恢复与视觉补偿，而非 EEG 解码或 BCI 算法。 方法采用二阶 Zernike 多项式 Z₂⁰ 建模散焦像差，以 U-Net 生成变换后的图像；训练损失结合重建误差与基于 ℓ₁ 正则化的空间差分结构保持项。其思路是在补偿散焦的同时保留空间细节，但损失的具体形式、各项权重、光学模型与网络输出的衔接方式尚未验证。 训练仅使用 KITTI，测试使用 DIV2K 和 ImageNet，属于跨图像数据集评估。作者报告，在 Z₂⁰ 模拟的近视条件下，基线在不同数据集及散焦严重程度下的 PSNR 为 19.47–27.42 dB；所提梯度正则化方法获得 1.48–7.34 dB 的 PSNR 增益。摘要未逐项对应数据集、严重程度、基线及增益，因此不能将这些范围视为单一统一协议下的结果。摘要还声称相较经典基线感知误差更低，但相关表述不完整，具体指标和数值尚未验证。 需进一步核对散焦参数范围、观看距离与近视程度的对应关系、测试划分、经典基线设置，以及梯度正则化的消融和统计信息。摘要未提供可确认的人体视觉评估证据，图像指标改善不等同于真实近视者的感知改善；代码、训练配置与复现条件也尚未验证。材料未建立与 EEG 或 BCI 的具体方法对应关系，因此不据此推导其 BCI 有效性。