DeepWSD：将感知空间中的退化映射为深度特征空间中的 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：从统计分布角度描述感知质量退化，以深度特征空间中的 Wasserstein 距离衡量失真图像与参考图像之间的质量差异。主要研究对象是图像质量预测与优化，而非 EEG 或 BCI。 机制上，摘要将既有深度学习 FR-IQA 方法概括为通过显式比较特征、以相对参考图像特征的偏离程度确定性地预测质量。DeepWSD 则在预训练 VGG 网络的各阶段计算一维 Wasserstein 距离，并据此形成最终质量分数。该方法依赖参考图像及其深度特征；特征分布的构造方式、距离计算细节、各阶段分数如何汇总，以及是否需要额外训练或监督，尚未验证。 作者报告，广泛实验与理论分析支持 DeepWSD 在质量预测和优化方面的优势，并认为该距离有助于解释不同失真类型造成的质量退化。摘要未给出数据集、划分、对照方法、评价指标或具体数值，因此不能核对优势幅度，也不能据此判断其适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若目标是评价具有配对参考信号的 EEG 去噪或重建结果，特征分布距离可能提供一种补充评价视角，但原论文的图像结果不等于 EEG 有效性。可复用的是 Wasserstein 距离计算思路，需改造的是 VGG 特征表示、信号分布构造和跨通道汇总方式。低信噪比、被试差异及通道配置变化可能使距离更多反映无关变化，分布比较也可能弱化关键时序信息。一个可检验的小实验是在固定被试与通道条件下，对配对 EEG 片段施加可控噪声和时序扰动，检验该距离是否随扰动强度变化，并与点对点误差及任务相关指标对照。已有 EEG 相关工作尚未检索确认。