通过无监督 raw-to-raw 映射实现 ISP 模型泛化

基于摘要分析。本文研究相机光谱敏感度差异导致的 raw 图像颜色空间不一致问题，提出无监督 raw-to-raw 映射，使 ISP（Image Signal Processor）在不同相机间泛化。主要研究对象是 raw 到 sRGB 的图像处理流程，而非 EEG 或 BCI。 方法上，作者提出 CSTPP（Color Space Transformation Parameters Predictor），按图像块预测颜色空间变换参数，以处理空间上复杂的光照条件；再通过 CycleGAN 风格的训练框架，在缺少不同相机拍摄同一场景的配对数据时学习跨相机 raw 映射。摘要未提供具体损失形式、网络结构或训练数据规模，不能据此确定其实现细节。 作者报告，在 raw-to-raw 任务上，无监督模型取得了与当时先进半监督方法相当的性能，并通过跨相机 ISP 任务评估其泛化能力。摘要未列出相机配置、数据划分、对照方法和量化指标，因此“相当”的适用范围尚待全文核对。作者称首次提出无监督 raw-to-raw 模型并首次定义该跨相机 ISP 任务，这些优先性声明尚未独立核验。摘要提供了代码地址，但代码完整性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，以无配对域映射缓解 EEG 跨设备采集差异；它依赖两域具有可对应且应当保留的信号内容，不能直接沿用相机颜色空间假设。可复用的是变换参数预测与无配对训练思路，需重新设计通道对应、时间结构及任务信息保持约束。低信噪比、通道布局差异、被试差异和小数据可能使映射改变真实神经活动。一个可证伪的小实验是在具有统一通道定义的双设备 EEG 数据上，以不配对训练、独立被试测试，比较不映射、简单校准与学习映射后的固定解码器性能，并检查 ERP 波形是否失真。相关 EEG 工作尚未检索确认。