通过无监督 raw-to-raw 映射实现 ISP 模型泛化

基于摘要分析。本文研究不同相机光谱敏感度导致的 raw 图像颜色空间差异，以及这种差异对 ISP 将 raw 图像转换为 sRGB 图像时跨相机部署的影响。作者提出无监督 raw-to-raw 映射，在缺少不同相机拍摄同一场景的配对数据时，学习相机颜色空间之间的转换，以支持 ISP 模型泛化。 核心模块 CSTPP（Color Space Transformation Parameters Predictor）按图像块预测颜色空间变换参数，旨在兼顾局部颜色转换与复杂光照条件；训练采用 CycleGAN 风格框架，使映射不依赖配对图像。摘要未给出具体网络结构、损失项或训练配置，不能据此确定其完整实现。 作者报告，该无监督模型在 raw-to-raw 任务上的表现可与先进半监督方法相当，但摘要未提供数据集、评价指标、数值及监督数据条件，尚不能核实比较幅度。作者还提出跨相机 ISP 任务并报告进行了广泛实验；“首次提出无监督 raw-to-raw 模型”及首次构建该任务均为作者主张。实验协议、消融及统计信息尚未验证。代码仅说明将公开，当前可用性尚未验证。 平台推测（待验证）：可供 EEG 跨设备域适应参考的，是把传感器差异建模为输入空间映射、以无配对数据训练适配模块的思路，而非图像颜色变换本身。假设设备差异可由稳定映射描述，可借鉴参数预测与无配对训练框架，但需将图像块及颜色参数改造成适合 EEG 通道、时间结构与设备响应的表示。EEG 的低信噪比、通道布局差异、跨被试生理差异及小样本可能使映射破坏任务相关信息；无配对分布匹配也不保证语义保留。一个可证伪的小实验是固定 EEG 下游解码器，在同一任务的跨设备独立测试数据上比较不适配与无配对映射适配，检验预先指定解码指标是否改善。该建议不是本文实验，相关 EEG 工作尚未检索确认。