结合互信息正则化的频率均衡视网膜表征学习

基于摘要分析。本文研究视网膜图像中 MAE 对低频内容的偏好及其对诊断相关高频结构编码不足的问题，提出 Frequency-Balanced Retinal Masked Autoencoder（RetMAE），在重建目标中加入互信息正则项，以学习频率更均衡的视网膜表征。 作者从空间频率视角分析 MAE，认为其重建目标会放大 ViT 在空间异质性视网膜图像中的低通倾向；由于部分视网膜病理表现为高频细节，这种偏置可能限制诊断性能。RetMAE 在 MAE 的互信息框架下抑制低频冗余、突出具有临床意义的高频信息，且不改变模型架构。此处互信息缩写 MI 不指运动想象。摘要未提供正则项的数学形式、频率分解方式或训练细节，尚不能确认其具体实现与计算开销。 作者报告，在所述视网膜任务的定量与定性评估中，RetMAE 的表征优于基于 MAE 的视网膜编码器；摘要未给出数据集、样本量、数据划分、对照配置或具体指标，因此无法判断收益幅度及泛化范围。实验协议、消融及统计信息尚未验证，复现还需核对频率分析方法、正则项权重和下游评估设置。 平台推测（待验证）：若 EEG 掩码建模也存在偏向高能量、缓慢变化成分而忽略任务相关细节的问题，可考察频率均衡正则化是否有帮助；但这是迁移假设，图像空间高频不等同于 EEG 时间高频。原方法依赖视网膜图像的空间结构与重建监督，其效果是否依赖训练规模尚未验证。可考虑复用正则化思路，但需重新定义 EEG 的时间或时空频率表征；高频肌电噪声、低信噪比、跨被试频谱差异及通道配置变化均可能使该策略失效，小数据也可能增加正则项估计的不稳定性。一个小规模检验是，在固定 EEG 数据划分、骨干和训练预算下，对比原始 MAE 与加入频率均衡正则项的版本，同时检查任务指标和噪声敏感性。相关 EEG 工作尚未检索确认。