UASSR：通过解耦表示学习实现单幅各向异性三维图像的无监督任意尺度超分辨率重建

基于摘要分析。该研究针对各向异性三维医学影像层间分辨率较低、临床中难以获取配对低分辨率（LR）与高分辨率（HR）训练图像的问题，提出基于解耦表示学习的无监督任意尺度超分辨率重建方法 UASSR。其主要研究对象是医学影像空间分辨率恢复，而非 EEG 解码或 BCI。 方法上，UASSR 不要求使用配对 LR/HR 图像训练，目标是从层间分辨率较低的输入生成层间分辨率更高的三维影像；推理阶段融合来自不同视角的多个 HR 重建结果，以改善最终超分辨率结果。摘要未交代解耦表示的具体因素、损失函数、训练样本构造方式、任意尺度的实现机制及多视角融合规则，这些内容尚未验证。“无需配对图像”也不能直接等同于仅依赖单个体数据进行训练。 实验涉及一个包含 507 个膝关节 MR 体数据的公开数据集，以及一个包含 130 个下段脊柱 CT 体数据的内部数据集。作者报告 UASSR 优于所比较的其他先进方法，但摘要未给出具体指标、分数、对照方法名称、训练与测试划分或退化模型，因此目前不能量化其优势，也不能判断对真实采集低分辨率影像的泛化程度。实验协议、消融及统计信息尚未验证。 摘要提供了参考实现地址，可作为后续核对方法与复现条件的入口；实现完整性、数据可获得性及运行要求尚未验证。材料未提供与 EEG/BCI 的具体机制对应或验证结果，不据此推导其在神经信号任务中的有效性。