以复数值扩散模型作为表征学习器的 PolSAR 图像分类

基于摘要分析。该研究面向极化合成孔径雷达（PolSAR）图像分类，针对监督学习依赖人工标签、既有方法对复数数据尤其是相位信息利用不足的问题，提出基于复数值扩散模型的生成式自监督表征学习方法，再将所学特征用于地物覆盖分类。 核心机制是在复数域构建前向加噪与反向去噪过程，通过逐步扰动干净的 PolSAR 数据并恢复原始输入，学习噪声分布及具有判别性的极化特征。噪声分布和网络均在复数域设计，以共同利用幅度与相位信息；扩散特征随后输入分类模块。摘要明确的是表征学习阶段不依赖人工标签，不能据此认定下游分类训练也无需标签。 作者报告，在四个基准 PolSAR 数据集上的实验显示了该方法的表征学习能力，但摘要未提供数据集名称、数据划分、标签预算、对照方法或具体指标，因此不能量化收益或判断不同协议下的优势。网络结构、噪声设定、特征提取方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，复数域去噪表征学习可能适用于 EEG 时频表示中幅度与相位的联合建模，但 PolSAR 极化图像与 EEG 的数据结构和相位含义不同，原领域结果不构成 BCI 有效性的证据。可复用的是复数加噪—去噪框架，需改造的是输入表示、时序与通道建模及下游分类接口；低信噪比、跨被试相位差异、通道配置变化和小数据可能使模型主要学习非任务相关结构。一个小规模验证方案是在固定跨被试划分和相同标签预算下，比较复数扩散特征、仅幅度特征及实数域对照，并检查相位扰动是否改变分类收益。相关 EEG 工作尚未检索确认。