LRHDR：学习表征增强的 HDR 视频重建

基于摘要分析。该研究针对交替曝光的 Low Dynamic Range（LDR）帧重建 High Dynamic Range（HDR）视频，处理大幅运动、曝光引起的光度不一致，以及饱和或欠曝光区域的信息损失。作者提出 Learning Representation-enhanced HDR Video Reconstruction（LRHDR），以跨曝光一致表征和自适应逐像素稀疏加权融合，降低传统“对齐—重建”流程对显式对齐精度的依赖。 框架包含 Amalgamated Cross-exposure Consistent Representation（ACCR）网络与 Adaptive Pixel-wise Sparse Weighted Fusion（APSWF）。ACCR 中，Exposure-aware Interleaved Context（EIC）编码器结合大视野路径、高保真子像素路径和曝光门控，提取曝光感知特征；Representation Mapper（RM）通过逐像素、逐通道的线性调制，将不同曝光的特征映射到统一表征，并解码至经校准的线性 HDR 域，从而避免显式跨曝光对齐。APSWF 将融合表述为逐像素候选选择，以稀疏权重掩码在该线性域内完成归一化融合，目标是抑制伪影。 作者报告，LRHDR 在标准基准上的表现优于既有方法，但摘要未提供基准名称、划分、具体指标、数值或对照配置，因此尚不能核对优势幅度和适用条件。训练损失、稀疏权重的实现方式、曝光校准条件、实验协议、消融及统计信息尚未验证，代码与复现资源也尚未核实。 论文的主要研究对象是多曝光视频重建，而非神经信号解码。其表征映射与融合机制依赖图像像素结构及曝光关系，当前材料不足以建立与 EEG/BCI 瓶颈的具体对应关系，不据此推断跨被试鲁棒性或解码收益；相关 EEG 工作尚未检索确认。