选择所需信息：面向场景文本识别、移除与编辑的解耦表征学习

基于摘要分析。该研究针对场景文本识别、移除与编辑所需信息不同、共享耦合表征可能限制任务适应性的问题，提出 Disentangled Representation Learning 框架 DARLING，将视觉表征拆分为风格与内容特征，并按下游任务需要使用。研究对象是场景文本图像，并非 EEG 或 BCI。 核心机制是合成风格相同、内容不同的图像对，以监督设计约束特征分工：内容特征接受文本识别损失监督，风格特征通过对齐损失在配对图像间保持一致；随后，图像解码器结合风格特征与指示配对图像内容的 prompt，重建配对图像。该设计依赖可控合成配对、文本内容监督和图像重建，而不只是直接划分特征。摘要将字体、背景归入风格，将字符、纹理归入内容，具体定义和合成方式需核对全文。 作者报告，该方法在 Scene Text Recognition、Removal 和 Editing 上达到当时最优表现；摘要未提供数据集名称、指标数值、数据划分或对照基线，因此无法判断改进幅度及适用范围。实验协议、消融及统计信息尚未验证，代码与复现配置也尚未验证。 平台推测（待验证）：可探索将任务内容与被试或会话因素分离，以应对 EEG 跨被试、跨会话变化，但这是假设，不代表已有 BCI 效果。可借鉴特征分组与配对对齐约束，需重新定义 EEG 中的任务因素、非任务因素及重建条件；同任务跨会话数据也不等同于原文的同风格图像对。低信噪比、通道差异和小样本可能使特征分组不稳定，或使对齐误删任务信息。一个可检验的小实验是在固定跨会话划分下，比较共享表征与加入分组、配对约束的表征，并消融对齐项，检查任务性能及会话信息是否真正分离。已有 EEG 相关工作尚未检索确认。