重新审视多焦点图像融合：输入空间优化视角

基于摘要分析。本文研究多焦点图像融合（MFIF）：将不同焦深拍摄、各自仅部分区域清晰的源图像融合为清晰图像。其主要贡献是将优化重点转向输入空间，利用已训练的非 MFIF 网络的中间特征，构造适合融合任务的输入表示，而非主要依赖复杂损失函数或大规模合成数据。 作者提出级联框架，包括两个特征提取器、Feature Distillation and Fusion Module（FDFM）以及用于聚焦区域分割的 YUNet。依据差异特征与边缘特征对 MFIF 重要的观察，框架选用图像去模糊网络和显著目标检测网络提取特征，再通过免训练的 FDFM 将这些特征转换为适合 MFIF 的输入空间。“免训练”在摘要中明确指 FDFM，不能据此认定整个框架无需训练。 为使 FDFM 适配高维特征图，作者将边缘保持领域的流形理论加以扩展，并设计等距域变换。摘要未给出该变换的数学定义、特征选择方式、维度处理及 YUNet 的训练细节，因此其几何性质、计算成本和具体复现条件尚未验证。 作者报告，在六个基准数据集的定性与定量评估中，该模型持续优于所比较的 13 种方法；作者还报告，构造的输入空间可在无需额外要求的情况下直接提升多个 MFIF 模型的表现。摘要未提供数据集名称、划分、具体指标、分数或对照配置，不能据此量化优势或确认增益来自哪个模块；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是图像聚焦与融合，并非 EEG 解码或 BCI。其方法依赖图像去模糊和显著目标检测网络的视觉特征，摘要未提供这些特征与 EEG 信号结构的具体对应关系，因此不将其结果解释为已验证的 BCI 方法收益；相关 EEG 工作尚未检索确认。