更好的“CMOS”生成更清晰的图像：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。本文研究盲图像超分辨率（SR）中的空间变化模糊问题，提出联合估计模糊与语义的 Cross-MOdal fuSion network（CMOS），并引入 NYUv2-BSR 和 Cityscapes-BSR 两个包含离焦模糊的数据集。其主要研究对象是图像复原，不是 EEG/BCI，也不能由来源栏目将其归为状态空间模型方法。 作者指出，现有许多盲 SR 方法假设模糊核空间不变，而真实场景中的物体运动、离焦等因素会产生空间变化模糊，导致这些方法性能下降。CMOS 通过同时估计模糊与语义来改善 SR，并使用 feature Grouping Interactive Attention（GIA）模块促进两类特征交互、减少不一致。作者还提出 GIA 的结构可用于其他特征之间的交互，但摘要未提供这一通用性的独立验证细节。 作者报告，在上述数据集与真实图像上进行了定性和定量比较；其中在 NYUv2-BSR 上，相对 MANet 的 PSNR/SSIM 增量为 +1.91/+0.0048。摘要未注明 PSNR 增量单位，也未给出数据划分、放大倍率、模糊生成设置及指标汇总方式，因此该结果只能限定在作者所述比较背景下理解，不能直接与其他协议的结果比较。 摘要提供了实现仓库链接，可作为复现入口；具体网络结构、损失函数、训练配置、数据集构建与获取条件，以及实验协议、消融及统计信息尚未验证。材料未建立 GIA 或模糊估计机制与 EEG/BCI 瓶颈的具体对应关系，因此不据此推断 BCI 有效性，也不提出跨领域复现实验。已有 EEG 相关工作尚未检索确认。