NeRP：用于稀疏采样图像重建的先验嵌入隐式神经表示学习

基于摘要分析。本文研究有限传感器测量下的图像重建逆问题，提出带先验嵌入的隐式神经表示学习方法 NeRP，利用先验图像的内部信息与稀疏测量的物理机制重建目标图像。主要研究对象是 CT、MRI 图像重建，而非 EEG 解码或 BCI。 机制与数据依赖：NeRP 将先验图像信息和测量物理约束结合，用于构建未知对象的表示。作者强调，该方法不需要大规模训练数据，仅需一幅先验图像及稀疏采样测量。摘要未说明先验图像与目标图像的对应关系、表示网络结构、先验嵌入方式、损失函数或优化流程，这些实现条件尚未验证。 结果与证据边界：作者报告 NeRP 可应用于 CT 和 MRI，并能捕捉评估肿瘤进展所需的细微但重要的图像变化。摘要未提供数据集、样本量、采样协议、对照方法和定量指标，因此尚不能判断其重建收益、跨模态适用范围或病灶变化恢复的可靠程度；实验协议、消融及统计信息尚未验证。复现时需核对先验获取条件、测量前向模型，以及先验与目标不一致时的表现。 平台推测（待验证）：若用于 EEG 源成像等具有明确前向模型的逆问题，可检验“个体先验加测量约束”的机制是否有助于缓解有限通道导致的欠定性，但这不等于已证明其具有 BCI 解码价值。需将图像表示和成像物理模块改造成时空源活动表示及 EEG 头模型；低信噪比、头模型误差、通道减少和先验失配可能使结果偏向先验。一个可证伪的小实验是在已知源活动的模拟 EEG 中，固定前向模型与通道配置，对比有无先验嵌入时的源定位误差及新增活动恢复情况，并逐步引入先验失配。相关 EEG 工作尚未检索确认。