更好的“CMOS”产生更清晰的图像：面向盲图像超分辨率的空间变化模糊估计学习

基于摘要分析。该研究针对盲图像 Super-Resolution（SR）中空间不变模糊假设难以适应真实场景的问题，提出联合估计模糊与语义的 Cross-MOdal fuSion network（CMOS），并引入包含失焦模糊的 NYUv2-BSR 和 Cityscapes-BSR 两个数据集。 原问题是物体运动、失焦等因素会造成随空间位置变化的模糊，使依赖空间不变模糊假设的 SR 方法性能下降。CMOS 使用特征 Grouping Interactive Attention（GIA）模块促进模糊与语义两类特征交互，并减少两者的不一致。作者称 GIA 的结构也可用于其他特征之间的交互，但摘要未提供这种通用性的独立验证，也未说明具体网络结构、损失函数及训练流程。 作者报告，在上述数据集及真实图像上进行了与先进方法的定性和定量比较；其中，在 NYUv2-BSR 上相较 MANet，PSNR 提高 1.91、SSIM 提高 0.0048。摘要未注明 PSNR 增量的单位，也未给出数据划分、放大倍率、模糊生成设置及绝对指标，因此这些结果应限定在作者所述的比较背景内，不能直接用于跨协议比较。 复现需核对两个数据集的构建与划分、语义监督来源、空间变化模糊的表示方式、GIA 的实现及对照设置；实验协议、消融及统计信息尚未验证。该研究的主要对象是图像复原，材料未建立其与 EEG/BCI 的具体机制对应关系，不据此提出迁移效果或复现实验建议。