GSNR：用于逆问题的图平滑零空间表示

基于摘要分析。本文研究成像逆问题中感知矩阵存在非平凡零空间、因而多个解与同一测量相容的问题，提出 Graph-Smooth Null-Space Representation（GSNR），仅为测量不可见的零空间分量施加图平滑结构。作者认为，常见图像先验并未专门约束该分量，可能使重建产生偏差。 核心机制是从给定的图拉普拉斯矩阵构造限制在零空间内的拉普拉斯算子，用于编码零空间信号中相邻像素的相似性，再选取最平滑的 p 个谱图模态，即最低图频率模态，形成低维投影矩阵。摘要围绕三方面描述其理论与实践意义：仅作用于零空间的图正则化改善收敛；所选模态覆盖多少零空间方差；以及这些模态能在多大程度上由测量推断。具体构造、理论成立条件、图的生成方式与 p 的选择尚未验证。 作者将 GSNR 接入 PnP、DIP 和 diffusion solvers，并在图像去模糊、压缩感知、去马赛克和图像超分辨率四类任务中评估。作者报告，以 PSNR 衡量，相对基线形式最高提升 4.3 dB，相对端到端学习模型最高提升 1 dB。摘要未提供这些最大增益对应的数据集、测量条件、任务和基线名称，不能将其解释为所有任务或求解器的平均收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在对应对象是具有明确线性前向算子的 EEG 源成像逆问题，而不是一般 EEG 分类。假设可用源空间图表达空间邻接关系，可尝试复用零空间限制与谱投影机制，但需将像素图改为源空间图，并适配导联场矩阵。该路径依赖前向模型、测量算子和图结构，不以大规模标签监督为前提。低信噪比、通道不足、跨被试头模型差异或图平滑假设失配，可能使真实局灶源被过度平滑；零空间分量可由测量预测也不应被视为普遍保证。一个可检验的小实验是在固定头模型与通道配置的模拟 EEG 源定位中，比较同一求解器加入 GSNR 前后的源重建误差、定位误差与测量残差，并改变噪声水平及 p 检查稳健性。已有 EEG 相关工作尚未检索确认。