LegendreImage：用于图像表示的广义傅里叶展开泼溅

基于摘要分析。本文研究二维图像的图元表示：现有二维 Gaussian 表示主要通过增加图元数量和调整空间分配提升容量，作者则提出 Generalized Fourier Expansion Splatting（GFES），通过丰富单个图元内部的函数空间增加表示能力，并实现为 LegendreImage 与采用自适应图元分配的 LegendreImage+。 GFES 将每个图元承载的信号视为其内在定义域上的函数，以截断广义傅里叶展开参数化。其关键是解耦“在哪里贡献信号”与“信号如何变化”：空间加权函数负责定位，函数展开负责描述相应定义域内的信号变化；基函数的选择取决于定义域、测度与目标函数空间。LegendreImage 具体结合紧支撑的升余弦定位函数与二维 Legendre 多项式展开，在单个图元内部表示空间变化的颜色。 作者报告，在 DIV2K 上，LegendreImage+ 从 2.4M 参数规模起超过 GaussianImage++；在 4M 可训练参数预算下达到 51.83 dB，较 GaussianImage++ 高 3.77 dB。摘要未明确该 dB 指标的名称、数据划分及聚合方式，不能自行补写为特定指标。实验协议、消融及统计信息尚未验证，训练目标、展开阶数、自适应分配细节与复现条件也需查阅全文。 平台推测（待验证）：可迁移的假设是，以局部加权函数和更丰富的局部基展开表示 EEG 时间片段，可能在固定参数预算下改善波形重建；这不等同于提升 BCI 解码。可复用的是定位与信号展开的解耦思路，需改造的是时间或时空定义域、通道关系及基函数选择。低信噪比可能使高阶展开拟合噪声，跨被试差异、通道变化和小数据也可能削弱稳定性。一个可证伪的小实验是固定被试内训练与测试划分及参数预算，对比常值局部图元与 Legendre 展开的 EEG 重建误差，并检验噪声扰动下收益是否保留；已有 EEG 相关工作尚未检索确认。