SUPREYES：使用隐式神经表示学习实现眼动数据超分辨率

基于摘要分析。SUPREYES 针对低分辨率眼动追踪设备所记录注视数据的时空分辨率不足问题，提出自监督超分辨率方法：从低分辨率注视数据学习连续隐式神经表示，再将数据上采样至任意分辨率。研究的主要对象是眼动数据，而非 EEG 或 BCI 解码。 核心机制是利用连续表示支持任意尺度的数据查询与重建，而非仅依赖常用插值。摘要未说明表示的输入坐标、网络结构、自监督目标、采样退化方式及训练规模，因此尚不能判断该方法如何约束重建信号，或如何区分真实细节恢复与平滑插值。 作者报告，在任意尺度超分辨率评估中，SUPREYES 明显优于所比较的常用插值方法；在基于注视的用户识别任务中，使用该方法处理后的数据优于原始低分辨率数据及其他基线。摘要未提供数据集、被试数、划分协议、指标、数值或统计检验，故无法量化增益，也不能据此判断跨被试、跨设备或跨会话泛化能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若低采样率 EEG 的主要瓶颈与连续时间信号重建有关，可将其连续隐式表示作为重采样候选模块；这一假设不意味着上采样能够恢复采样时已丢失的神经信息。迁移需改造多通道表示与训练约束，且可能受 EEG 低信噪比、通道差异、被试差异及小数据过拟合影响。可在同一批高采样率 EEG 上构造受控降采样输入，将重建结果与原始信号及插值基线比较，并在固定数据划分下检验下游解码是否改善。已有 EEG 相关工作尚未检索确认。