DeMemSR：面向基于扩散的真实世界图像超分辨率的可迁移退化表征学习与稳定–动态 LR 记忆融合

基于摘要分析。DeMemSR 研究真实世界图像超分辨率中的退化信息保留与低分辨率（LR）观测引导问题，提出结合 Transferable Degradation Representation Learning（TDRL）和 Stable–Dynamic LR Memory Fusion（SD-LRMF）的退化感知 diffusion Transformer 框架。其主要研究对象是图像复原，而非 EEG 解码或 BCI。 TDRL 将对比退化学习与跨内容再退化结合：前者促使投影特征区分不同退化配置，后者旨在让编码器保留超出判别需求的退化信息，避免仅依赖部分退化线索。退化感知条件模块再利用投影特征，为 diffusion Transformer 提供逐层引导。摘要未给出再退化的具体构造、监督来源及损失形式。 SD-LRMF 针对双向 LR–latent 交互可能使 LR 分支逐渐偏离原始观测的问题，将引导信息拆分为由初始观测得到且保持不变的 Stable LR Memory，以及随交互更新的 Dynamic LR State；通过可学习的逐层融合，让动态状态持续重新锚定于稳定记忆，以兼顾交互灵活性与观测保真度。 作者报告，在四个真实世界图像超分辨率基准上，DeMemSR 的无参考感知质量表现领先，其中 MUSIQ 和 LIQE 在全部四个数据集的所比较方法中均取得最高分。摘要未提供数据集名称、具体分数、对照方法及划分；无参考感知指标领先本身不等于观测保真度已得到充分验证，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：稳定观测锚点与动态状态分离的机制，可作为 EEG 去噪或重建的候选设计，但图像退化机制不能直接等同于 EEG 伪迹。迁移假设依赖可定义的信号退化过程及相应监督；可复用稳定–动态融合思路，需改造信号编码、退化生成与条件模块。低信噪比时，固定记忆可能同时固化伪迹，跨被试、通道变化及小数据也可能削弱退化表征。一个可证伪的小实验是在固定 EEG 数据划分与同一去噪骨干下，对比仅动态交互和增加稳定记忆的版本，检验其是否在降低伪迹的同时保留任务相关信号。相关 EEG 工作尚未检索确认。