超越特征调制：面向高光谱压缩成像的物理条件化状态演化

基于摘要分析。本文研究高光谱图像从压缩测量中的重建，提出 Physics-Conditioned State Evolution（Φ2State），将物理采集信息的作用从当前特征调制扩展至状态空间模型的状态演化，使采集相关信息能够在推理中逐步累积、更新和复用。 核心机制是一个深度展开网络，通过共享的有效编码算子耦合显式物理建模与隐式先验推理。在显式分支中，对标称掩码进行有界修正，所得有效算子用于指导数据一致性更新；在近端网络中，同一修正掩码为选择性状态空间模型提供条件，调节整个状态演化过程中的信息注入、保留和读出。相较于摘要所述的掩码引导特征调制或自适应优化，本文的主要区别在于直接调控承载历史信息的演化状态，而非仅作用于当前表征。 作者报告，在不同光谱维度的高光谱压缩重建实验中，该框架有效；消融实验和状态演化分析支持所提出的引导机制及其对推理动态的影响。摘要未提供数据集、划分、对照方法、评价指标或具体数值，实验协议、消融及统计信息尚未验证。复现还需核对采集算子的定义、掩码修正的约束方式、条件化参数、展开与训练设置，以及代码可用性。 平台推测（待验证）：若 EEG 压缩采集具有已知前向算子，该方法可能为物理一致性约束与时序先验的联合建模提供参考，而非直接适用于常规 EEG 分类。可复用的是共享算子连接数据一致性更新和条件化状态演化的思路；需将光谱采集掩码与图像近端推理改造为 EEG 测量算子和时序重建模块。低信噪比、通道变化、跨被试差异及小数据可能导致算子修正与先验难以可靠区分。一个可检验的小实验是在相同 EEG 压缩测量、训练数据和划分下，比较仅特征调制与加入算子条件化状态演化的重建误差，并测试算子扰动下的稳定性。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。