UASSR：通过解耦表示学习实现单幅各向异性三维图像的无监督任意尺度超分辨率重建

基于摘要分析。该研究针对临床场景难以组织配对低分辨率（LR）与高分辨率（HR）图像的问题，提出基于解耦表示学习的无监督任意尺度超分辨率重建方法 UASSR，旨在从层间分辨率较低的各向异性三维图像重建层间分辨率更高的图像。其主要研究对象是医学影像空间分辨率恢复，而非 EEG 解码或 BCI。 方法层面，UASSR 不要求配对 LR–HR 图像用于训练，并在推理阶段融合不同视角生成的多个 HR 重建结果。摘要未说明解耦的具体表示因素、训练监督来源、损失函数、尺度控制方式及多视角融合规则，因此不能将“无监督”进一步解释为某种特定自监督训练协议。 作者报告，在一个包含 507 个膝关节 MR 体数据的公开数据集，以及一个包含 130 个下部脊柱 CT 体数据的内部数据集上开展实验，UASSR 的表现优于所比较的其他先进方法。摘要未给出数据集名称、训练与测试划分、评价指标、具体数值或基线配置；上述数量指体数据数量，不能据此推断独立被试数。实验协议、消融及统计信息尚未验证。 摘要提供了参考实现地址，可用于后续核对训练与推理流程；代码可运行性、依赖环境及结果可复现性尚未验证。现有材料没有建立其机制与 EEG/BCI 任务之间的具体对应关系，不据此推断 BCI 有效性。