用于从噪声—模糊图像对快速复原图像的内容保持尺度空间网络

基于摘要分析。本文研究低光照手持摄影中的图像复原：高 ISO 拍摄容易产生噪声，长曝光拍摄容易产生模糊；作者提出以噪声图像与模糊图像组成的图像对为输入，利用深度学习和尺度空间表示恢复潜在清晰图像，重点降低双图像复原的计算开销。 方法在不同尺度分配不同网络深度：对较高尺度空间使用较浅网络，对最低尺度使用较深网络。作者另提出用于降采样与插值的内容保持尺度空间变换，以替代既有尺度空间方法中的双三次插值。摘要未说明尺度定义、变换实现、图像对融合方式、训练监督或损失函数，尚不能据此还原完整架构。这里的 scale space 指图像尺度空间，不能因来源栏目名称而将其归为 State Space Models。 作者报告，该方法相较其对照的先进方法，在降低计算复杂度的同时取得先进复原结果；作者还报告，相较基线，计算效率可改善 90%，仅伴随轻微 PSNR 下降。摘要未提供该效率指标的定义、基线名称、硬件、图像分辨率或具体 PSNR 数值，因此不能将其解释为推理时间缩短 90% 或固定倍数加速。数据集、划分、实验协议、消融及统计信息尚未验证。 研究对象是自然图像的噪声—模糊成对复原，并非 EEG 或 BCI。其输入互补性与二维尺度结构尚无材料支持可直接对应神经信号处理，不能据此认定存在 BCI 效果；已有 EEG 相关工作尚未检索确认。