SPMFormer：采用跨空间损失的简化物理模型 Transformer，用于水下图像增强

基于摘要分析，当前材料仅包含研究亮点，未取得论文全文。该研究面向水下图像增强，提出 SPMFormer，将简化物理模型驱动的初始恢复与 Transformer 结合，并利用跨空间损失进一步恢复图像细节。 机制方面，材料称 UEPE 在注意力处理之前通过简化物理模型完成初始恢复；跨空间损失涉及 RGB、LAB 和频率空间。可确认的设计重点是物理模型预恢复与多空间约束的组合，但物理模型的具体假设、UEPE 的实现、注意力结构、频率表示方式及各损失项的形式和权重尚未验证，不能据此推断网络层数或训练配置。 作者报告，公开数据集实验及真实场景测试支持 SPMFormer 的优势，并在亮点中声称“up to 450× fewer computations”。材料未提供这一计算量比较的基线、输入分辨率、统计口径及适用条件，也未列出数据集名称、数据划分或图像质量指标，因此尚不能进行定量横向比较，亦不能将计算量降低等同于实际推理加速。实验协议、消融及统计信息尚未验证。 原论文的主要研究对象是水下图像，而非 EEG 或 BCI。当前材料未提供与神经信号处理对应的独立方法机制，不据此推断 BCI 有效性或提出迁移实验。复现前需核对物理模型与损失定义、训练和测试设置、复杂度测量条件，以及代码和数据的可获得性。