利用状态空间条件扩散增强湍流退化图像的恢复

基于摘要分析。该研究针对湍流造成的空间变化、随机性图像畸变，提出 Two-Stage Turbulence Removal Network（TSTRNet），通过状态空间模型进行粗粒度全局恢复，再用条件扩散细化图像细节；主要研究对象是视觉图像恢复，而非 EEG 或 BCI。 机制上，第一阶段采用基于 State Space Model 的 UNet 生成器，旨在高效建模全局上下文，校正空间变化的 Point Spread Functions（PSFs，点扩散函数）引起的像素弥散。第二阶段采用 Denoising Diffusion Probabilistic Model，引入随机生成过程及边缘引导条件，以增强细节和视觉真实感。两个阶段均包含频域处理，用于对应湍流相位畸变与 PSFs 之间的空间—频率关系；具体算子、损失函数及训练和采样流程尚未验证。 摘要将传统多帧方法的局限归于预对齐图像中清晰“幸运区域”的稀少，并将现有深度学习方法的不足概括为全局建模效率、物理形成机制利用和不确定性表达。作者报告，在多个基准数据集上，TSTRNet 的恢复表现优于所比较的先进方法，并具有从合成数据到真实场景的泛化能力；摘要未提供数据集名称、划分、指标、数值或对照方法，实验协议、消融及统计信息尚未验证。复现还需核对退化模拟方式、边缘条件来源、扩散采样成本及实现可用性。 平台推测（待验证）：可迁移的假设是，全局序列建模与随机条件重建可能有助于 EEG 去噪或缺失片段恢复，但湍流 PSFs 的图像物理机制不能直接移植到 EEG。可复用的是两阶段恢复思路，需改造的是输入表示、频域约束及条件信号；其依赖成对监督还是其他训练数据结构、所需数据规模均尚未验证。低信噪比、小数据及跨被试或通道配置变化可能导致扩散模型生成看似合理却不忠实于原始神经活动的波形。可检验的小实验是在固定被试内划分下，用已知噪声污染的 EEG 比较第一阶段与完整两阶段模型，检查信号误差、频谱及 ERP 保真度，并观察下游解码是否改善。已有相关 EEG 工作尚未检索确认。