线性逆问题深度生成模型中固有歧义与估计不确定性的分离

基于摘要分析。本文研究深度生成模型求解线性逆问题时，后验不确定性为何难以解释，并提出结构性分解，以区分前向算子本身带来的固有歧义与推断过程传播的估计不确定性。主要贡献是通过级联表述，使固有歧义可用于校准分析，而不仅以重建质量评价模型。 技术机制方面，作者利用该分解开展定性诊断与基于模拟的校准检验。作者报告，这些诊断能够揭示仅依据重建质量选择模型时可能被掩盖的失效模式。摘要未给出分解公式、级联实现、生成模型类型或具体校准统计量，因此尚不能判断其适用假设、计算成本及对不同推断方法的依赖。 验证路径依次包括：在具有解析后验结构的 Gaussian 示例上验证方法；在加速 MRI 中展示不确定性分解；最后将校准诊断应用于 EEG 源成像。这里的 EEG 任务是源成像逆问题，而非直接的 BCI 分类或控制任务。摘要没有提供数据集、被试数、前向模型、噪声设置、对照方法或定量结果，不能据此认定其已改善源定位精度或 BCI 性能。 阅读全文时应重点核对：固有歧义与估计不确定性的数学定义及可辨识条件，模拟校准所依赖的生成假设，以及 EEG 源成像中的观测模型和评价协议。实验协议、消融及统计信息尚未验证；复现所需的数据、代码与配置可用性也尚未确认。