PODiff：用于科学超分辨率的本征正交分解空间潜在扩散

基于摘要分析。PODiff 针对高维空间场的概率超分辨率问题，将扩散过程从像素空间转移到固定、按方差排序的本征正交分解（Proper Orthogonal Decomposition，POD）系数空间，以降低计算成本并生成带有不确定性估计的重建集合。原研究对象是科学空间场，而非 EEG 或 BCI 信号。 核心机制是利用 POD 模态的正交性构造可解释、按方差排序的潜在几何，在较小的结构化潜在空间内执行条件生成。作者认为，该设计能够保留主导空间结构，并支持高效集合生成及具有空间可解释性的不确定性估计。摘要未交代 POD 基底的构建数据、模态保留准则、条件输入方式、扩散训练目标及采样设置。 评估包括西澳大利亚沿岸海表温度降尺度和受控的平流—扩散基准。作者报告，在这些评估中，PODiff 的重建精度与像素空间扩散及学习式潜在扩散相当，同时使用更小的结构化潜在空间、占用更少内存；相较确定性方法和 Monte Carlo Dropout 基线，其不确定性估计更可靠。摘要未提供具体指标、数值、数据划分及资源测量条件，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：固定正交基中的低维概率重建可对应 EEG 稀疏通道空间重建的计算与不确定性瓶颈，但这一假设依赖训练数据存在稳定的低秩空间结构，以及可用的稀疏观测—完整通道监督配对。可复用部分是 POD 系数空间扩散，需改造通道观测条件与重建映射；低信噪比、跨被试空间模式变化、通道布局差异及小数据可能使主方差模态无法保留任务相关弱信号。一个可证伪的小实验是在固定通道布局、被试内划分下，仅用训练集构建 POD 基底，比较相同观测条件下 PODiff 与确定性 POD 重建的误差和不确定性校准。上述 EEG 适用性尚未验证，已有 EEG 相关工作尚未检索确认。