从连续表示视角重新审视非局部自相似性

基于摘要分析。本文研究多维数据处理中的非局部自相似性（NSS）先验，提出 Continuous Representation-based NonLocal（CRNL）方法，旨在将传统面向规则网格的非局部方法扩展到非规则采样数据，并联合利用相似组内部及不同组之间的结构。 核心机制有两点：一是借助连续表示，统一规则网格与非规则采样数据的自相似性度量；二是使用耦合低秩函数分解表示非局部连续组，同时利用组内与组间相似性。摘要将后者作为相对于传统非局部方法的重要区别，并将更紧凑的表示与效率收益归因于这一耦合机制。具体连续函数形式、相似组构建、优化目标及训练或求解流程尚未验证。 作者报告，在规则网格任务（图像修复、图像去噪）和非规则采样任务（气候数据预测、点云恢复）的多维数据处理实验中，CRNL 相较所比较的先进方法体现出通用性、有效性与效率优势。摘要未提供数据集名称、评估指标、具体数值及计算成本；实验协议、消融及统计信息尚未验证，不能据此量化优势。 平台推测（待验证）：若 EEG 的时空局部片段存在可重复的非局部结构，连续相似性度量可能为不同电极位置或缺失通道下的信号重建提供方法借鉴。可复用部分是连续表示和组间耦合低秩建模，但需按电极坐标、时间轴及 EEG 噪声特征改造相似性度量与分组规则。其成立依赖坐标信息和足够的重复结构；低信噪比可能导致错误匹配，跨被试差异、通道稀疏及小数据条件也可能削弱低秩假设。一个可检验的小实验是在固定被试内划分下，对留出 EEG 片段施加通道缺失，比较 CRNL 与不使用组间耦合的版本之重建误差，并仅以训练数据构建相似组。该方案只是迁移假设，已有 EEG 相关工作尚未检索确认。