以人为中心的多曝光融合：基准与双层认知蒸馏框架

基于摘要分析。该研究的主要对象是多曝光图像融合（Multi-Exposure Fusion，MEF），旨在将不同曝光水平的图像合成为高质量图像，并改善传统统计指标与人类感知偏好之间的不一致。作者提出 Cog-Expo 数据集及双层耦合学习框架，利用 EEG 相关认知信息指导训练，同时使推理阶段无需生理信号。 机制方面，Mental Integrated Transformer 作为 Teacher，将认知先验引入视觉特征学习；轻量 Student 仅接收图像输入，学习近似这些认知线索。双层优化的目标是让 Teacher 学到更易蒸馏的表征，从而支持 Student 高效模拟认知指导。摘要未说明 EEG 的预处理、表征方式、与图像的配对粒度、认知先验注入位置、具体损失或双层更新流程，这些细节尚未验证。 数据方面，作者将 Cog-Expo 描述为首个记录人类对多曝光刺激认知反应的数据集；“首个”属于作者声明，尚未独立核实。被试数量、采集设备、刺激呈现流程、感知偏好的标注方式，以及训练与测试划分均未在摘要中提供。 作者报告，该方法在其多曝光融合实验中取得最先进的融合性能，并更贴近人类感知；摘要未给出具体指标、分数、对照方法或感知评价协议，因此目前无法判断收益幅度及其统计可靠性。实验协议、消融及统计信息尚未验证，尤其需核对 EEG 指导相对于纯视觉 Teacher 或其他感知监督的独立贡献，以及跨被试认知差异对结果的影响。 该工作涉及 EEG 辅助视觉模型训练，但目标并非 EEG 解码或 BCI 控制，不能将图像融合收益视为 BCI 有效性的证据。复现需进一步确认 Cog-Expo 的可获取性、EEG—图像配对流程、Teacher/Student 实现及双层优化设置；当前材料未提供代码或权重的可用性信息。