并非所有像素都会沉没：用于水下图像恢复的相位引导表征学习

基于摘要分析。该研究针对水下图像中的颜色吸收、光散射和非均匀雾化，提出编码器—解码器架构 NemoNet，通过相位引导表征学习恢复纹理并缓解颜色偏移；研究对象是水下图像恢复，而非神经信号或 BCI。 核心机制包括 Spectral–Spatial Attention（SSA）模块，将基于 Fourier 相位的像素细化与空间注意力结合；跳跃连接中的相位注意力用于增强有用表征、抑制伪影传播。训练采用混合监督/无监督损失框架，在监督目标之外加入无监督颜色一致性损失，以应对水下场景中与波长相关的颜色偏移。具体损失形式、权重及相位处理方式尚未验证。 作者还提出无参考 Color-Plausibility Quality Index（CPQI），在 Perceptual Index 中加入颜色一致性先验。作者报告，在摘要称为监督数据集的 UIEB、LSUI、EUVP，以及无监督数据集 U45、SUIM 上，NemoNet 在常规指标和所提指标上优于现有方法。摘要未提供具体数值、对照方法与数据划分，因此尚不能判断提升幅度、跨数据集泛化能力或 CPQI 与人类感知的一致性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法研究参考的是频域相位与局部注意力联合建模的假设，而非水下颜色先验。若用于 EEG，需将二维像素处理改造为时间或通道—时间结构，并检验相位是否在低信噪比、参考方式变化及跨被试条件下仍提供稳定信息；颜色一致性损失和 CPQI 不宜直接迁移。一个可证伪的小实验是在固定 EEG 数据划分及训练预算下，对照仅用幅度信息、加入相位信息和扰乱相位信息的模型，检验增益是否确实来自相位。已有 EEG 相关工作尚未检索确认。