EM-SNN：用于遥感图像去雾的高效调制脉冲神经网络

基于摘要分析。本文研究遥感图像去雾中雾导致的高频衰减与离散脉冲阈值之间的耦合：弱响应被进一步抑制，使边缘、纹理及细节难以恢复。作者提出 EM-SNN，通过调制神经元阈值和结构特征，在保留 SNN 事件驱动稀疏性的同时改善去雾。 核心机制包括两个部分：统计驱动的 Threshold-Modulated Leaky Integrate-and-Fire（TM-LIF）神经元，用于自适应补偿雾造成的对比度压缩；Spike Sobel Modulation（SSM）模块，用于增强结构线索并减轻脉冲特征沿网络深度传播时的衰减。摘要未说明统计量的具体定义、阈值更新公式、模块实现、损失函数及训练与推理设置，这些内容尚未验证。 作者报告，在 HRSD、RICE、RRSHID 和 SateHaze1K 上，EM-SNN 取得具有竞争力的去雾表现，能耗仅为 ANN 基线 SFRDP-Net 的四分之一。摘要未提供具体去雾指标、数据划分及能耗测量或估算协议，因此该能耗比例应限定在作者所用但尚待核对的评估条件下，不能直接等同于实际硬件部署收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，统计驱动的阈值调制可能缓解 EEG 脉冲编码中弱信号被阈值截断的问题，但遥感图像的空间边缘恢复不等同于 EEG 判别信息保留。TM-LIF 的调制思路可能复用；SSM 依赖图像空间结构，需依据 EEG 时间轴、频域或电极拓扑重新设计。低信噪比下，自适应阈值可能同时放大噪声，跨被试幅值差异、通道变化及小数据也可能使统计估计不稳定。可检验的小实验是在固定 EEG 脉冲编码、骨干和 Cross-subject 划分下，对比固定阈值与统计调制阈值，记录同一分类指标、脉冲活动量及噪声扰动下的表现；这不是本文已验证的结果，已有 EEG 相关工作尚未检索确认。