Ni-DehazeNet：通过双层优化架构搜索进行表征学习的夜间去雾方法

基于摘要分析。该研究针对夜间图像受雾霾、颜色衰减及环境光照影响而难以恢复的问题，提出 Ni-DehazeNet，将知识蒸馏与神经架构搜索（NAS）结合，用学习到的清晰图像表征指导端到端夜间去雾；研究对象是视觉图像恢复，而非 EEG 或 BCI。 方法包含两个并行网络分支：representation learning network（RLN）和 guided dehazing network（GDN）。RLN 从真实清晰图像中学习清晰内容的特征，NAS 则探索 RLN 与 GDN 潜在嵌入空间中的颜色子空间；GDN 在 RLN 表征的指导下，从含雾图像中恢复清晰内容与真实颜色。标题指出采用双层优化架构搜索，但摘要未展开内外层优化目标、搜索空间、蒸馏损失或训练与推理流程，相关实现尚未验证。 作者报告，在合成及真实世界夜间去雾数据集上的实验优于所比较的先进方法。摘要未提供数据集名称、数据划分、评价指标、具体数值及基线设置，因此无法核验优势幅度或不同场景下的稳健性；实验协议、消融及统计信息尚未验证。 其机制依赖清晰目标图像提供表征指导，并包含针对颜色恢复设计的搜索目标，不能直接视为通用神经信号去噪方案。现有材料未建立颜色子空间与 EEG 噪声或跨被试差异的具体对应关系，因此暂不提出 BCI 迁移实验；相关 EEG 工作尚未检索确认。复现前需核对清晰目标的构建方式、双层优化细节、搜索成本及真实数据的评估协议。