基于自适应稀疏表示与局部及全局联合约束学习率的非均匀性校正

基于摘要分析。该研究针对红外焦平面阵列（IRFPA）探测器光电响应不一致造成的固定模式噪声（FPN），提出一种基于场景的非均匀性校正（SBNUC）方法，核心是利用自适应稀疏表示构造优化目标，并结合局部与全局约束调节学习率。研究对象是红外图像序列，不是 EEG 或 BCI 信号。 方法将当前校正系数得到的图像进行稀疏表示，并将其重建结果作为期望图像，替代传统神经网络式 SBNUC 方法中由空间滤波得到的目标。稀疏编码的误差容限按自适应准则计算，与输入图像和校正图像之间的均方根误差负相关。作者认为，该过程能够保留边缘、减轻细节模糊，同时在表示系数编码中将 FPN 成分作为冗余排除。学习率则由输入图像、校正图像与期望图像之间的变化共同约束，并引入运动检测：只有全局和局部场景运动均充分时，才允许将学习率最大化以加快收敛。 作者报告，在公开的 Video Verification of Identity program 数据集、Automonous Systems Lab 数据集（名称依摘要）及一个私有红外序列上，针对模拟和真实非均匀性，该方法的 FPN 去除表现优于采用 Gaussian filter、guided filter 和 bilateral filter 的 SBNUC 方法。摘要未提供具体指标、数值、数据划分或统计结果；稀疏字典构建、优化细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法研究参考的是“自适应稀疏重建目标＋受约束更新”的思路，而非其红外校正结论。原方法依赖图像空间结构及场景运动，迁移需重新定义 EEG 时空字典、噪声判据和更新门控；低信噪比、跨被试或通道变化、小数据条件下，真实神经活动可能被误当作冗余。一个可证伪的小实验是在保留干净参考的 EEG 片段中注入已知通道固定偏置，在相同划分下比较固定与自适应稀疏重建，并检查噪声抑制是否伴随 ERP 波形失真。已有 EEG 相关工作尚未检索确认。