Hybrid++：连接 PDE 模型与深度学习的伽马噪声去除方法

基于摘要分析。本文针对 Synthetic Aperture Radar（SAR）与医学超声图像中的乘性伽马噪声，提出 Hybrid++，以可训练的非线性反应扩散架构结合经典偏微分方程（PDE）方法的结构可解释性与深度网络的图像恢复能力。其主要研究对象是图像去噪，并非 EEG 或 BCI 信号处理。 核心机制是将完全可学习的 PDE 初始化与三阶段反应扩散网络结合。摘要明确给出的模块包括 64 通道多尺度滤波器组、基于四层 Squeeze-and-Excitation 注意力的影响函数，以及 64 维噪声水平嵌入。训练分为逐阶段优化与联合端到端细化两个阶段，旨在使全部可学习参数协同适配；具体 PDE 形式、损失函数及噪声水平输入方式尚未验证。 作者报告，在 FoE 基准上，Hybrid++ 相较经典 PDE、BM3D 和原始 TNRD 基线取得明显改善；在重度噪声 L=1 条件下，其 PSNR 与单独训练的 DnCNN 相差 0.23 dB，而参数量约为该 DnCNN 的 8%。摘要未提供各方法的绝对 PSNR、具体数据划分或统计不确定性，因此这些数字只能在所述基准与噪声条件下理解，不能外推至其他图像或神经信号任务。 作者将其定位为紧凑、具有物理结构的乘性伽马噪声反应扩散模型，而非通用图像恢复 SOTA 骨干。阅读全文时需核对 PDE 结构如何约束学习过程、各模块的贡献，以及 DnCNN 比较所用的训练数据与参数统计口径；实验协议、消融及统计信息尚未验证。当前材料不支持将该图像噪声模型直接视为 EEG 去噪机制，已有 EEG 相关工作尚未检索确认。