RECALL：通过恢复即分配学习用于隐藏屏幕重建的内容锚定频谱表征

基于摘要分析。该研究探讨普通相机能否仅凭墙面漫反射光恢复不可直接观察的屏幕内容，提出仅以墙面图像为观测输入的 RECALL 框架，结合 Content-Anchored Spectral Representation（CASR）与 Restoration-as-Allocation Learning（RAL），应对传播、散射、遮挡、模糊和传感器积分造成的微弱内容线索分散与局部对应关系破坏。 机制上，CASR 使用冻结视觉编码器从墙面图像生成随样本变化的内容锚点，围绕该锚点组织图像块级频谱证据，并结合平滑布局与残差细节线索。RAL 在训练时，对同一墙面观测分别采用局部能力和上下文增强能力生成完整重建，通过比较重建的汇聚误差学习软空间分配。摘要未给出能力模块的具体结构、误差汇聚方式或训练监督细节。 作者报告，在七类屏幕内容的评估中，RECALL 相比所比较的图像恢复方法取得最强的总体重建表现：各类别的 PSNR 与 SSIM 均最高，五类的 LPIPS 最低；摘要未提供具体分数或基线名称。作者还报告，在多种采集条件与屏幕内容场景下，该方法能粗略恢复隐藏屏幕的颜色和亮度分布、区域布局及主要轮廓。这支持摘要所述条件下的光学重建可行性，不等同于精确恢复全部屏幕内容。数据规模、划分、采集条件范围、消融及统计信息尚未验证。 平台推测（待验证）：其内容锚定与局部／上下文能力分配机制，可能为 EEG 中弱信号与上下文利用提供方法假设，但图像频谱不等同于 EEG 频谱，冻结视觉编码器也不能直接作为神经信号内容锚点。迁移需重新设计时空表征与锚点来源，并核对训练监督需求；低信噪比、通道差异及小数据可能使锚点不稳定。可先在固定跨被试划分下比较固定能力分配与误差驱动软分配，检验收益及锚点扰动敏感性。相关 EEG 工作尚未检索确认。