面向多源遥感图像的通用表示机制

基于摘要分析。该研究面向高光谱遥感图像（HSI），针对不同传感器产生的光谱维度、范围和分辨率差异，提出将多源光谱映射至共享表示空间的统一表示机制，以支持可扩展的多源预训练，而非为每种来源单独建立模型。 核心思路是统一异构光谱输入，并通过自监督学习提取光谱特征。作者称该机制兼容任意光谱维度、范围和分辨率，可利用已有多源 HSI 数据开展大规模预训练。摘要未交代具体映射结构、自监督目标、预训练数据规模，以及光谱坐标或传感器信息如何参与表示构建，这些实现条件尚未验证。 作者报告，在三个重建测试集上，PSNR 分别为 27.07、22.27 和 29.35 dB，SSIM 分别为 0.93、0.82 和 0.88；摘要未提供测试集名称及划分。作者另报告，相比随机初始化模型，在 Indian Pines 和 Pavia University 上的分类准确率分别提升 8.28% 和 1.4%。摘要未明确这些提升是相对百分比还是百分点，也未给出绝对准确率，因此不能进一步换算或跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，异构输入经共享表示映射后，可支持跨来源自监督预训练；这与 EEG 跨设备通道数量和布局不一致的问题存在有限机制对应。但 HSI 的光谱维度不等同于 EEG 的电极空间维度，不能直接照搬映射。潜在可复用部分是共享表示接口与预训练流程，需改造输入映射以显式处理电极位置、时间结构和参考方式。低信噪比、跨被试差异及小数据可能使统一映射损失任务相关信息。可先在同一 EEG 数据上构造不同通道子集，固定数据划分与下游任务，对比共享表示预训练和随机初始化，并检查通道减少时的性能变化；该实验仅检验输入兼容性，不代表已验证跨设备泛化。已有 EEG 相关工作尚未检索确认。