HURDNet：用于高光谱图像重建的结合值域—零空间分解的异构 UNet 结构

基于摘要分析。本文研究从退化的二维测量恢复三维高光谱图像（HSI），提出 HURDNet，将数据一致性校准与异构 UNet 特征重建相结合，针对现有方法可能产生的重建偏差及同构模块设计的局限展开研究；其主要对象是 HSI 重建，而非 EEG 或 BCI。 机制上，作者采用值域—零空间分解进行数据一致性校准，并设计 average calibration pseudo-inverse operator（ACPIO），用于更精细地建模 HSI 退化过程的逆映射。特征重建部分探索异构 UNet，提出 pixel-wise long-term non-local Transformer（PLNT）。摘要未提供 ACPIO 的数学定义、PLNT 的具体结构、损失函数、训练监督方式及推理流程，尚不能判断各模块的实现条件和独立贡献。 作者报告，在模拟与真实 HSI 数据集上，HURDNet 达到 state-of-the-art 性能；但摘要未列出数据集名称、划分、对照方法或具体指标。实验协议、消融及统计信息尚未验证，性能结论需结合正文核对。 平台推测（待验证）：可迁移的假设主要是将已知前向测量模型与学习式重建先验分离，而非直接将 HSI 网络用于 EEG 分类。若 EEG 源重建具备可用的导联场模型，可探索复用值域—零空间分解思想；伪逆校准需适配导联场、噪声与正则化，PLNT 则需适配电极或源空间结构，训练数据规模与监督需求尚未确定。低信噪比下，严格匹配测量可能拟合噪声；跨被试头模型差异、通道变化和小数据也可能削弱效果，且数据一致性不能消除零空间中的解歧义。 一个可检验的小实验是：在已知导联场的模拟 EEG 源重建中，固定训练划分与重建先验，对比有无数据一致性校准，并在不同噪声条件下同时检查测量残差与源重建误差，检验残差改善是否伴随真实恢复改善。已有 EEG 相关工作尚未检索确认。