以复值扩散模型作为表征学习器的 PolSAR 图像分类

基于摘要分析。该研究面向极化合成孔径雷达（PolSAR）图像分类，针对监督学习依赖人工标签、既有方法对复数数据尤其相位信息利用不足的问题，提出基于复值扩散模型的生成式自监督表征学习方法；主要研究对象是遥感地物覆盖分类，而非 EEG 或 BCI。 方法包含前向加噪与反向去噪过程，通过逐步扰动干净的 PolSAR 数据，再由深度神经网络恢复原始输入，学习可用于分类的极化特征。其关键设计是将噪声分布与网络均构建在复数域，以同时利用幅度和相位信息。扩散特征随后输入分类模块；摘要中的无人工标签学习指向表征学习阶段，不能据此认定整个分类流程均无需标签。 作者报告在四个 PolSAR 基准数据集上的实验支持该方法的表征学习能力，但摘要未给出数据集名称、划分协议、标注规模、对照方法及具体指标，无法据此判断提升幅度或比较公平性。复数噪声的具体定义、网络结构、训练目标、分类器训练方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：一个可检验的迁移假设是，将 EEG 时频变换所得复数系数作为输入，用复值去噪预训练保留幅度与相位的联合信息，可能帮助低标注条件下的表征学习。可复用的是自监督加噪—恢复框架；需改造的是输入组织、时间与通道建模及噪声设定，不能直接沿用 PolSAR 的极化结构。低信噪比、跨被试相位差异、通道配置变化及小数据可能使模型学习到不稳定或非任务相关特征。小规模检验可在固定 EEG 数据划分、标注预算与分类器下，对比复值扩散、实虚部双通道实值扩散和仅幅度表征，检查相位建模是否带来可重复收益。相关 EEG 工作尚未检索确认。