UIERL：用于水下图像增强的内部—外部表征学习网络

基于摘要分析。本文研究水下图像增强中的两类信息利用问题：同一图像内不同深度区域的质量差异，以及同一或相似场景下多幅图像之间的相关性。作者提出 UIERL，通过内部区域表征与外部相关图像表征的交互，增强单幅水下图像。 内部表征学习阶段采用基于深度的区域特征引导网络：先依据场景深度划分区域，再通过区域级空间编码器学习区域特有特征，为全局特征提供引导，实现图像内部的差异化增强。外部表征学习阶段从相关图像中提取信息，并通过 external-assist-internal 与 internal-assist-external 两个模块实现内外特征交互。摘要未交代深度信息的获取方式、相关图像的选择规则、交互模块的具体运算、损失函数或训练与推理的数据要求。 作者报告广泛实验支持 UIERL 的性能优势，但摘要未提供数据集、划分协议、对照方法及指标数值，因而尚不能核对优势幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，将单样本内部异质性建模与相关样本辅助表征结合，用于探索 EEG 局部信号质量不均及跨试次信息利用。原方法依赖具有空间深度结构的图像和相关图像集合；若迁移到 EEG，需重新定义时间段或通道区域、相关试次检索及特征交互方式，不能直接沿用场景深度分区。低信噪比、跨被试差异、通道配置变化及小数据可能使相关性估计失真，外部信息也可能引入无关模式。一个可检验的小实验是在固定被试内划分下，仅从训练集构建相关试次库，对比单试次基线、内部区域建模及加入外部信息三种条件，检验收益是否确实来自相关试次信息。上述设想不代表已证实的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。