APR-CNN：面向大型显微图像自适应粒子表示的卷积神经网络

基于摘要分析。该研究面向大规模三维显微图像分析，提出直接在 Adaptive Particle Representation（APR，自适应粒子表示）上运行的 APR-CNN，以稀疏、多分辨率图像表示降低传统像素式 CNN 的内存与计算需求。其主要研究对象是三维显微图像，而非 EEG 解码或 BCI。 机制上，作者提出 APR 原生的卷积、池化和上采样层，并设计结合 APR 层与像素层的混合架构，以平衡分析精度与计算效率。其方法特点是让网络直接处理 APR 表示，而不只是对像素网络进行常规压缩；具体粒子构建规则、算子实现、训练目标及混合架构配置尚未验证。 作者报告，在摘要所述分割基准中，APR-CNN 相较像素式 CNN 取得相近的分割准确性，同时显著降低内存占用和推理时间；在大规模体积图像分析展示中，推理时间由数周缩短至数天。摘要未提供对应数据集、评价指标、数据划分、硬件、输入规模及对照配置，因此这些收益的适用范围与可复现性尚待全文核验，实验协议、消融及统计信息尚未验证。 该方法的效率机制依赖图像可被有效组织为稀疏、多分辨率 APR 的条件，不能据此直接推断其适用于低信噪比、多通道 EEG 时序。摘要未建立与 EEG/BCI 的具体机制对应，本文不据此提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。