跳到正文

算法、任务与模态

Reconstruction 最新动态

Reconstruction 研究索引；按可核对的标签归档，不以热度评价质量。

685 条精选近 30 天 99 条共收录 869 条

更新

精选归档 · 第 34 页

1月1日周二第 661–680 条
  1. OpenReview · EEG73

    MAD-EEG：用于解码多声部音乐中目标乐器听觉注意的 EEG 数据集

    基于摘要分析。该研究针对多声部音乐中目标乐器的 EEG 听觉注意解码问题，提出公开可用的 MAD-EEG 数据集，为单试次注意解码及其他 EEG 音乐分析任务提供研究材料。 数据与任务：摘要所述数据包含 8 名被试的 20 通道 EEG；被试听独奏、二重奏和三重奏音乐片段，并注意一个预先指定的乐器。刺激通过扬声器而非耳机播放，设计涵盖混合中乐器的数量与类型、空间呈现、音乐风格和旋律变化。其核心研究对象是音乐聆听中的选择性听觉注意，而不是运动想象或通用 EEG 分类。 初步验证：作者使用一种常用于语音刺激的先进刺激重建算法，从 EEG 响应重建音频表征，并比较重建表征与被注意及未被注意声源表征的相关性。作者报告，在该初步音乐实验中，重建表征与被注意声源的相关性更高；摘要未给出具体相关系数、解码 Accuracy、数据划分或统计检验，因此不能据此量化单试次、跨被试或跨会话性能。作者将该结果解释为数据集适用于相关注意解码研究。 阅读与复现重点：需核对音频表征及重建算法的具体定义、刺激与 EEG 的时间对齐、参考与预处理方式、试次数与时长，以及训练测试划分是否区分音乐片段和被试。摘要称数据免费公开，但数据文件、访问条件、配套实现及完整实验协议尚未验证；消融及统计信息也尚未验证。扬声器呈现及多种刺激变化是该数据集的重要场景特征，但它们对解码性能的独立影响仍需依据全文与数据确认。

    阅读价值：该数据集将 EEG 听觉注意解码扩展到扬声器播放的多声部音乐，并提供目标乐器注意任务，值得用于核对语音刺激重建方法在音乐场景中的适用性，但摘要中的初步相关性结果尚不足以确定单试次解码性能。

  2. OpenReview · Representation learning79

    使用 WaveNet 自编码器的无监督语音表征学习

    基于摘要分析。本文研究从语音波形中无监督提取有意义的潜在表征，目标是保留音素身份等高层内容，同时降低音高轮廓、背景噪声等低层因素的影响。核心思路是约束编码表征，并利用高容量 WaveNet 解码器从先前样本中推断编码器丢弃的信息，以支持语音重建。 作者比较了三类潜变量约束：简单降维瓶颈、Gaussian Variational Autoencoder（VAE）和离散 Vector Quantized VAE（VQ-VAE）。评估维度包括说话人独立性、音素内容预测能力及单个声谱图帧的重建能力；对 VQ-VAE 的离散编码，还考察其映射到音素的难易程度。作者另提出一种使表征聚焦语音音素内容的正则化方案，但摘要未给出具体形式。 作者报告，在 ZeroSpeech 2017 无监督声学单元发现任务中，其性能与领先参赛方案相当。摘要未提供具体指标、分数、训练数据规模及划分，不能据此判断优势幅度或各瓶颈的相对表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，受约束潜变量与依赖历史信号的解码器可能帮助 EEG 表征区分任务相关信息和可预测背景变化。但语音中的音素结构不等同于 EEG 任务结构，说话人独立性也不等同于跨被试泛化。可复用的是瓶颈比较与重建框架，需改造多通道编码、解码及任务相关性评估；其对连续时序结构、数据规模及评估标签的依赖需核对。低信噪比、通道差异和小数据可能使瓶颈丢弃微弱有效信号，或使解码器主要拟合背景活动。一个小规模可证伪实验是在固定 EEG 数据划分和相同训练预算下比较三类瓶颈，同时评估任务解码与被试身份可预测性，检验能否在保留任务信息时降低被试信息。该实验属于迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是其通过潜变量约束与高容量 WaveNet 解码器分离语音内容和低层细节的机制，以及三类瓶颈的对照；该机制对 EEG 表征的适用性尚未验证。

  3. OpenReview · State space models70

    用于构音障碍语音检测与重建的可解释深度学习模型

    基于摘要分析。本文研究构音障碍语音的检测与重建，通过编码器—解码器模型将语音分解为低维潜空间表示与输入文本编码，并联合预测构音障碍语音的概率和 mel-spectrogram。主要贡献是利用同一低维表示支持障碍检测、特征解释与语音生成调整。 核心机制方面，作者报告潜空间承载了语音可懂度、流畅度等可解释的构音障碍特征；调整潜空间后，模型可生成流畅度改善的语音，该结论由 MUSHRA 感知测试支持。摘要未说明潜变量如何调整、解释性如何量化，以及感知测试的听者构成和具体设置。 检测方面，作者报告，相比直接从高维 mel-spectrogram 预测构音障碍，基于自编码器低维潜空间的多任务监督方法获得了更高的 Accuracy。摘要未提供具体数值、数据集、被试数或数据划分，因此尚不能判断提升幅度及对未见说话人的泛化能力；损失形式、对照配置、消融及统计信息尚未验证。 本文的主要对象是语音信号，而非 EEG 或 BCI。现有材料不支持将其结果视为神经信号解码效果，也不能据来源栏目认定其采用了状态空间模型。复现前需核对语音与文本配对方式、构音障碍标签定义、说话人划分、潜空间调整流程及 MUSHRA 评估协议。

    阅读价值：值得核对其低维潜空间如何表征构音障碍，以及检测与 mel-spectrogram 预测的多任务学习能否带来稳定收益；摘要中的感知测试与检测结论仍需全文实验协议支持。

12月31日周一
  1. OpenReview · Representation learning74

    利用深度神经网络学习医学成像逆问题的个性化表示

    基于摘要分析。本文针对医学成像中配对训练数据难以大量获取的问题，提出仅利用患者自身既有影像、无需预先准备训练样本对的个性化表示学习框架。主要研究对象是医学影像重建与去噪，而非 EEG 解码或 BCI。 方法以患者既有影像作为深度神经网络输入，用网络表达个性化图像表示；随后将医学成像逆问题表述为约束优化问题，并采用交替方向乘子法（ADMM）求解。摘要未说明网络结构、具体目标函数、约束形式及网络参数与图像变量的更新过程，这些细节尚未验证。“无需预先准备训练样本对”不等于无需患者先验影像，也不意味着无需网络优化。 作者以解剖信息引导的脑正电子发射断层成像（PET）重建和图像去噪为应用示例。作者报告，基于仿真与真实数据的定量评估，该框架优于其他广泛采用的方法；但摘要未提供具体数据集、样本规模、评估指标、对照方法及差异数值，无法据此判断优势幅度或跨场景稳健性。实验协议、消融及统计信息尚未验证。 复现需核对患者先验影像的获取与配准条件、观测模型、网络优化流程和 ADMM 设置，以及不同先验影像质量下的表现。该摘要未建立其方法与 EEG/BCI 任务的具体对应关系，不能将脑 PET 应用直接视为 BCI 有效性证据。

    阅读价值：值得关注的是其以患者既有影像构建个性化深度表示、并通过 ADMM 求解医学成像逆问题的机制，但相对基线的优势及对先验影像的依赖仍需结合全文核对。

6月15日周五
  1. OpenReview · State space models72

    径向 MRI 的深度 sinogram 学习：与 k-space 学习及图像学习的比较

    基于摘要分析（未取得论文全文）。本研究针对径向欠采样 MRI 的图像重建，利用 Fourier-slice theorem 将径向 k-space 经一维逆傅里叶变换转换为 sinogram，再用 CNN 预测未采集的投影样本。主要贡献是比较 k-space 域的 K-net、图像域的 I-net 与 sinogram 域的 S-net，考察学习域选择对条纹伪影和组织结构恢复的影响；研究对象是 MRI 重建，并非 BCI 解码。 S-net 的流程为一维逆傅里叶变换、CNN、逆 Radon 变换及数据一致性处理。I-net 先进行 gridding 和二维逆傅里叶变换，再经 CNN 与数据一致性处理；K-net 则在 k-space 域估计后进行二维逆傅里叶变换。作者将 sinogram 学习解释为基于已采集投影样本的插值问题，并认为其结构模式比 k-space 更适合 CNN 提取；相较之下，图像域网络需要同时去除伪影和恢复欠采样导致的结构失真，可能将条纹误恢复成组织结构。这是作者提出的机制解释，尚需完整实验支持。 实验使用 ADNI 的 T2-FLAIR 脑图像，训练集为 450 张、测试集为 50 张；径向全采样与欠采样数据均由二维 Cartesian 数据通过 inverse gridding 获得，并非材料中明确报告的真实径向采集。材料列出的 CNN 深度为 25，卷积核为 3×3、特征图数为 64，使用 leaky ReLU 和带动量的 mini-batch SGD。作者报告，使用 MatConvNet 重建单张 256×256 图像平均耗时 2.5 秒，但硬件条件尚未验证。 在上述测试集上，作者报告 S-net 的平均 PSNR 最高，I-net 的平均 SSIM 最高；作者将 S-net 的 SSIM 劣势归因于背景区域，并称两者在脑区的 SSIM 相近。材料未提供具体指标数值。对 64 spokes 重建示例，作者报告 S-net 较好地抑制条纹并保留结构，而 I-net 出现原图中不存在的结构。 复现时需核对被试级划分、欠采样设置、各方法的数据一致性与训练条件是否可比，以及脑区评价和真实径向采集下的表现；完整实验协议、消融及统计信息尚未验证。该方法依赖径向 MRI 的投影几何，材料未建立其与 EEG 的具体机制对应关系，不据此生成 BCI 迁移结论。

    阅读价值：值得关注其在相同径向 MRI 重建问题中比较 k-space、图像与 sinogram 学习域的设计，尤其是伪影抑制与组织结构保真之间的差异，但结果尚不能外推为 EEG 或 BCI 效果。

1月1日周一
  1. OpenReview · State space models74

    利用嵌入空间低秩模型恢复张量缺失切片

    基于摘要分析。本文研究张量中连续切片的全部元素缺失时如何恢复数据，主要研究对象是彩色图像和 fMRI。核心贡献是将时间序列的延迟嵌入推广为 multi-way delay-embedding transform，在高阶嵌入空间中进行低秩恢复，再映射回原始张量。 机制上，该变换把不完整张量转化为更高阶的不完整 Hankel 张量，随后采用基于 Tucker 的低秩张量分解恢复嵌入空间中的数据，最后通过逆多维延迟嵌入变换得到原张量的估计。作者将连续切片缺失的关键困难归结为对延迟／平移不变结构的捕获，并指出核范数与总变差正则化方法在这类情形下通常难以恢复缺失元素；具体对照设置尚未验证。 作者报告，该方法在部分彩色图像和 fMRI 上成功恢复了缺失切片。摘要未提供数据集名称、样本规模、缺失切片长度、划分方式或定量指标，因此不能判断恢复精度、适用缺失范围及相对基线的提升。嵌入窗口、秩选择、优化目标、计算开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时间与通道结构在延迟嵌入后具有可利用的低秩性，该机制可能用于连续缺失片段的重建，而非直接构成 BCI 解码方法。可复用模块是延迟嵌入、Tucker 分解与逆变换；需改造嵌入轴、窗口及秩选择，以适配 EEG 采样率和通道结构。低信噪比、非平稳事件、跨被试差异及少通道数据可能破坏低秩假设，重建也可能抹平 ERP 瞬态。一个可证伪的小实验是在完整 EEG 上人为遮蔽连续时间段，固定相同缺失条件，对比插值、核范数和总变差方法，并同时核对重建误差与下游任务性能；重建时不得使用被遮蔽真值。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其多维延迟嵌入与 Tucker 低秩分解如何恢复连续缺失切片；摘要报告了彩色图像和 fMRI 的恢复结果，但尚不能据此确认其对 EEG 缺失片段的有效性。

  2. OpenReview · State space models77

    用于快速光声重建的近似 k-space 模型与深度学习

    基于摘要分析。本文研究光声断层成像的快速迭代重建，通过基于 k-space 方法的快速近似前向模型降低计算开销，并训练 CNN 利用含结构化伪影的近似梯度信息完成迭代重建。主要贡献是将物理模型的计算近似与学习式重建结合，而非直接研究 EEG 或 BCI 解码。 核心机制在于：近似前向模型会在迭代重建所用的梯度信息中引入混叠伪影，但这些伪影具有较强结构性，因而可以训练 CNN 利用这类不精确的信息进行重建。摘要未说明 CNN 的具体输入输出、网络结构、损失函数及其与迭代更新的结合方式，这些细节尚未验证。 作者报告，该方法在人类活体测量的有限视角几何条件下具有可行性，并相较总变分（total variation）重建取得更好的结果和 32 倍加速。摘要未给出图像质量指标、样本规模、训练与测试划分、计时硬件及停止准则，因此上述加速仅应放在原文报告的比较背景下理解，不能外推为一般性能保证；实验协议、消融及统计信息尚未验证。 复现时需核对近似模型的误差结构、CNN 训练数据的构成，以及质量与速度比较是否采用一致的测量条件。本文的研究对象是光声成像逆问题，摘要未提供 EEG/BCI 验证，也未建立向神经信号任务迁移的具体对应关系，不能将其结果视为 BCI 有效性的证据。

    阅读价值：值得关注其利用 CNN 处理近似前向模型所产生结构化梯度伪影的迭代重建思路，但作者报告的质量与速度优势仍需结合全文中的比较协议核对。

  3. OpenReview · Representation learning70

    结构化分层表示学习：迈向通过遗传编程实现深度学习

    基于摘要分析。本文研究如何利用遗传编程（GP）从大规模、高维原始数据中学习表示，提出结构化分层 GP 框架及相应的搜索空间探索方案，并以该框架下实现的 autoencoder 作为实验案例。 核心机制是借鉴深度神经网络逐层学习描述性或判别性表示的思路，为 GP 引入分层表示结构。作者将其与既有主要面向少量输入变量、小规模数据，或依赖领域专家知识的 GP 特征学习工作相对照，目标是扩大 GP 表示学习可处理的数据规模与维度。摘要未说明层间连接、程序编码、遗传操作、适应度函数及 autoencoder 的具体训练目标，不能据此将其等同于常规深度网络的训练过程。 作者报告，autoencoder 案例的实验结果支持该框架的益处，但摘要未提供数据集、划分协议、基线、评价指标或数值，因而尚不能判断表示质量、搜索效率和计算成本的具体改善幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若分层 GP 能学习可组合的特征变换，可能用于探索 EEG 高维输入的特征构造，但原论文并未验证 EEG/BCI 效果，相关已有工作尚未检索确认。可复用的是分层表示与程序搜索思路；需改造输入组织、适应度评价及复杂度约束，以适应 EEG 的时空结构和小样本条件。低信噪比、跨被试差异及通道变化可能使搜索过拟合。一个可证伪的小实验是在固定 EEG 数据划分与相同下游分类器下，对比分层 GP、非分层 GP 和常规特征表示，同时记录泛化性能与搜索开销，并将全部特征搜索限制在训练数据内。

    阅读价值：值得关注的是以结构化分层表示和搜索方案扩展 GP 特征学习，并以 autoencoder 作为验证案例；其相对基线的收益、计算代价及对 EEG 的适用性尚未验证。

  4. OpenReview · State space models76

    用于快速光声重建的近似 k-space 模型与深度学习

    基于摘要分析。本文研究光声断层成像的快速迭代重建，提出将基于 k-space 方法的快速近似前向模型与 CNN 结合，以降低重建计算开销。主要研究对象是光声成像逆问题，而非 EEG 解码或 BCI，也不是状态空间模型方法。 其核心机制是允许近似前向模型在迭代重建的梯度信息中引入混叠伪影，并利用这些伪影的高度结构化特征训练 CNN，使其能够使用近似梯度信息完成迭代重建。方法的阅读价值在于探讨如何以可学习的补偿机制换取物理模型近似带来的计算收益；摘要尚不足以确定 CNN 的具体输入输出、更新方式、损失函数及训练监督来源。 作者报告，该方法在有限视角几何条件下的人体在体测量中具有可行性，相比总变分重建获得更好的重建结果，并实现 32 倍加速。摘要未提供重建质量指标、计时范围、硬件环境、样本规模及数据划分，因此不能据此判断加速是否适用于其他采集或计算条件；实验协议、消融及统计信息尚未验证。 复现时需核对 k-space 近似的具体形式、测量几何、CNN 训练数据与监督构造，以及总变分对照的参数和计时口径。当前材料未建立其与 EEG/BCI 的具体机制对应关系，不宜将光声重建结果直接解读为神经信号解码收益。

    阅读价值：值得关注的是利用 CNN 补偿快速近似前向模型在迭代梯度中引入的结构化伪影，并在人体在体有限视角光声重建中展示可行性；其相对总变分重建的质量与速度优势仍需结合全文协议核对。

  5. OpenReview · Representation learning72

    基于 Actor-Critic 序列到序列自编码器的行人轨迹表征学习

    基于摘要分析。本文研究如何将由时间戳与坐标元组构成的变长行人轨迹编码为定长向量，同时保留环境约束与行人动态。作者提出 TREP，将带有空间感知目标函数的序列到序列自编码器置于 actor-critic 强化学习框架中，以表征多样的轨迹模式。 机制与贡献：原问题不仅涉及轨迹的时间变化，还需考虑墙体分隔等空间约束。作者指出，采用最大对数似然的传统序列到序列自编码器，要获得良好表现往往依赖覆盖充分时空特征的数据集；TREP 则声称无需任何训练数据集即可捕捉环境约束与行人动态。这里的“无需训练数据集”不能等同于“无需训练”：其环境信息来源、交互或采样方式、actor 与 critic 的具体作用、目标函数及优化流程均需全文核实。 证据与局限：作者报告，在合成与真实数据集上的实验支持 TREP 对轨迹进行高保真表征，但摘要未提供数据集名称、划分协议、对照方法、评价指标或数值。实验协议、消融及统计信息尚未验证，因此无法量化其相对优势，也无法判断其对未见环境或轨迹模式的泛化能力。 适用边界：本文的主要研究对象是具有明确坐标与环境约束的行人轨迹，而非 EEG 或 BCI 信号。摘要没有建立空间约束目标与 EEG 表征学习之间的具体对应关系，不能据此推导跨被试鲁棒性或小数据优势；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 TREP 如何将空间感知目标与 actor-critic 训练结合，以及其“不需要训练数据集”主张的具体条件；摘要尚不足以支持 EEG/BCI 迁移有效性。

  6. OpenReview · Representation learning73

    面向可解释神经对话生成的无监督离散句子表征学习

    基于摘要分析。本文研究 encoder-decoder 对话模型难以像传统系统那样输出可解释动作、因而生成过程难以理解的问题，提出无监督离散句子表征学习方法，以可解释语义表征支持响应生成。研究对象是自然语言对话系统，而非 EEG 解码或 BCI。 方法基于变分自编码器（VAE），提出 DI-VAE 和 DI-VST，通过自编码或上下文预测发现可解释语义。作者称该方法能够与现有 encoder-decoder 对话模型集成。摘要未提供离散变量的具体构造、训练目标、推断方式，以及语义表征如何参与响应生成的细节，相关机制尚未验证。 作者报告，方法已在真实世界对话数据集上验证，能够发现语义表征，并增强 encoder-decoder 模型的可解释生成能力。摘要未列出数据集名称、划分、对照基线、解释性评价方法或定量指标，因此目前不能判断改进幅度，也不能区分解释性来自定性示例还是系统性评估；实验协议、消融及统计信息尚未验证。 本文依赖句子及对话上下文结构。若考虑迁移至 EEG/BCI，首先需验证离散潜在表征能否对应稳定且有意义的神经信号状态，不能将自然语言语义的可解释性直接等同于神经生理可解释性。摘要不足以建立具体迁移机制，故暂不提出复现实验方案；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其通过无监督离散句子表征为 encoder-decoder 对话生成提供可解释语义的机制，但摘要不足以验证解释性与生成效果的评估依据，也不能据此确认 EEG/BCI 迁移价值。

  7. OpenReview · Representation learning72

    使用 Actor-Critic 序列到序列自编码器的行人轨迹表征学习

    基于摘要分析。本文研究行人轨迹的表征学习，提出 TREP，将由时间戳与坐标构成的变长序列编码为固定长度向量，以同时保留环境空间约束和行人运动的时间动态。研究对象是行人轨迹，而非 EEG 或 BCI 信号。 机制上，TREP 在 actor-critic 强化学习框架下构建序列到序列自编码器，并引入空间感知目标函数。作者认为，传统采用最大对数似然目标的序列到序列自编码器，需要训练数据覆盖充分的时空特征，而现实中难以满足；TREP 则声称不需要训练数据集即可处理多样的轨迹模式。该表述不能等同于无需优化、无需环境信息或无需交互数据，具体学习过程、环境表示、奖励设计及编码方式尚未验证。 作者报告，在合成与真实数据集上的实验支持 TREP 对轨迹的高保真表征能力。摘要未提供数据集名称、划分协议、对照基线或量化指标，实验协议、消融及统计信息尚未验证，因而目前不能判断收益幅度或适用边界。 平台推测（待验证）：可迁移的机制假设是以任务相关的结构约束辅助变长时序表征，而非直接将行人空间约束套用于 EEG。若用于 EEG，需重新定义信号重建目标、通道结构约束及强化学习反馈，并核对是否存在可提供有效反馈的环境；低信噪比、跨被试差异、通道变化与小数据可能使反馈不稳定，或使表征偏向伪迹。一个小规模可证伪实验是在固定的被试内划分、相同编码器及数据预算下，对比普通序列自编码器与加入明确定义的结构反馈版本，分别检查重建误差和下游任务表现。该实验仅检验机制假设，不代表 TREP 已具备 EEG 有效性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 TREP 将空间感知目标与 actor-critic 强化学习结合以表征轨迹的机制，以及作者所称“不需要训练数据集”的具体实现条件；其对 EEG/BCI 的适用性尚未验证。

  8. OpenReview · State space models76

    用于加速 MRI 的 k-space 深度学习

    基于摘要分析。本文研究加速 MRI 中缺失 k-space 数据的恢复，提出完全数据驱动的深度学习插值方法。核心思路是利用卷积神经网络与基于数据驱动 framelet 基的 Hankel 矩阵分解之间的数学联系，将结构化低秩表示的启发用于 k-space 重建；研究对象是 MRI 重建，而非 BCI 解码。 机制与对照：ALOHA（annihilating filter-based low-rank Hankel matrix approach）通过低秩 Hankel 矩阵补全直接插值缺失的 k-space 数据，其依据是 k-space 域的结构化低秩性与图像域稀疏性之间的对偶关系。本文受这一表示机制及其与卷积神经网络的联系启发，提出在 k-space 域学习插值，而非仅在图像域开展深度学习重建。摘要未给出具体网络结构、损失函数、训练样本构造或复数数据处理方式，这些实现细节尚未验证。 适用范围与结果：作者提出，增加 regridding 层即可将网络扩展至非笛卡尔 k-space 轨迹。作者报告，在所开展的数值实验中，该方法持续优于已有图像域深度学习方法；摘要未提供数据集、采样轨迹、加速倍数、划分方式、对照模型名称或定量指标，因此不能据此判断优势幅度及不同采样条件下的稳定性。实验协议、消融及统计信息尚未验证。 阅读与复现重点是核对 Hankel 分解与网络实现的具体对应关系、非笛卡尔采样下 regridding 层的处理方式，以及各方法是否使用一致的采样和评价协议。材料未建立该机制与 EEG 或 BCI 任务的具体对应关系，不据此推导神经信号解码收益；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将 ALOHA 的结构化低秩 Hankel 表示与数据驱动 framelet 基联系起来的 k-space 插值机制，但摘要中的性能优势仍需结合采样协议与图像域基线核对。

  9. OpenReview · State space models77

    用于无参考扫描 EPI 鬼影校正的 k-space 深度学习

    基于摘要分析。该研究针对 MRI 回波平面成像（EPI）中由偶数与奇数回波相位失配产生的 Nyquist 鬼影，提出无需参考扫描的 k-space 深度学习校正方法，同时支持加速与非加速 EPI 采集。主要研究对象是 MRI 重建与伪影校正，而非 EEG 解码或 BCI 算法。 核心机制：摘要指出，鬼影校正可重表述为 k-space 插值问题，并借助结构化低秩 Hankel 矩阵方法求解；数据驱动的 Hankel 矩阵分解又可对应于深度卷积神经网络结构。该方法结合这两条思路，将偶数与奇数相位编码的 k-space 数据拆分为两个输入通道，并把多线圈数据堆叠为额外输入通道，以利用回波方向与线圈之间的冗余。网络学习插值核，估计缺失的虚拟 k-space 数据；对于加速采集，则学习同时补偿鬼影与欠采样造成的数据缺失。具体网络结构、损失函数、监督目标及训练流程尚未验证。 结果与证据边界：作者报告，在 3T 与 7T 活体数据重建中，所提方法相较现有方法获得更好的图像质量，计算也更快，并认为其可在不改变现有采集协议的条件下用于高场 MRI。摘要未给出被试数量、数据划分、加速因子、对照方法名称、定量图像指标或运行时间，因此无法判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证。 复现时需核对参考目标的构建方式、复数 k-space 的表示、线圈配置、训练与测试数据的独立性，以及不同场强和采集条件下的泛化能力。其机制依赖 MRI 特有的回波编码与多线圈采样结构，不能据此推断 EEG 或 BCI 有效性；摘要也未提供足以支持相关迁移实验的具体对应关系。

    阅读价值：值得阅读的具体原因是将 EPI 偶数与奇数回波的相位失配转化为 k-space 插值问题，并联合利用多线圈冗余处理鬼影与欠采样；其图像质量和速度优势仍需结合全文协议核对。

1月1日周日
  1. OpenReview · EEG71

    基于多模态深度学习的驾驶疲劳检测

    基于摘要分析。本文研究如何结合局部 EEG 与额部 EOG 改善驾驶疲劳检测，核心贡献是考察 EEG 采集脑区，并利用深度自编码器学习两种模态的共享表征。 方法上，作者先比较不同脑区的 EEG 与额部 EOG 联合提取共享特征的表现，再提出基于深度自编码器的多模态融合策略。作者报告，在所比较的脑区配置中，六通道颞区 EEG 与额部 EOG 的组合表现最佳。摘要未披露自编码器结构、损失函数、输入特征、模态对齐方式及训练流程，这些实现细节尚未验证。 评估涉及 21 名被试，并与其他融合策略进行比较。作者报告，其多模态方法取得最佳表现，平均 COR 为 0.85、RMSE 为 0.09。摘要未说明 COR 的具体定义、疲劳目标的标注或归一化方式，也未交代被试内或跨被试划分，因此上述数值只能在原研究协议下理解，不能直接与其他驾驶疲劳检测结果比较。作者认为该方法能够学习有效的跨模态共享表征并显著改善检测性能；具体对照、消融及统计信息尚未验证。 复现时需从全文核对疲劳任务与标签来源、EEG 和 EOG 的同步采集及预处理、六通道的具体位置、训练与测试划分，以及 COR、RMSE 的计算和汇总方式。该研究直接面向驾驶疲劳检测，摘要中的结果不应扩展为其他 EEG 任务或通用 BCI 性能的证据。

    阅读价值：值得阅读其局部 EEG 与额部 EOG 的联合表征方案，以及脑区选择和融合策略的比较；作者报告的效果仍需结合数据划分、指标定义与统计检验核对。

  2. OpenReview · State space models72

    基于双重时间稀疏性的压缩感知静息态 fMRI 加速重建

    基于摘要分析。该研究针对静息态 fMRI 在高加速倍数下欠采样重建伪影增大的问题，提出 Double Temporal Sparsity based Reconstruction（DTSR），利用两类时间稀疏约束从欠采样 k-space 测量中重建 fMRI，并评估静息态网络（RSNs）的保留情况。 核心机制是 l1−l1 范数约束：第一项对体素时间序列在变换域中的表示施加 l1 稀疏约束，第二项对同一时间序列的相邻时刻差分施加 l1 稀疏约束。两项约束分别利用变换域稀疏性与时间变化的稀疏性；具体变换、目标函数权重及优化求解过程尚未验证。 作者报告，在真实 fMRI 数据上进行了个体层面与群体层面的评估，并考察多个加速倍数。摘要以 PSNR 等指标衡量重建质量，以 RSNs 的可复现性进行定性分析。作者报告，在静息态 fMRI 数据、加速倍数最高为 3.5 的比较中，DTSR 相对既有方法的 PSNR 提高 10–12 dB，并能够保留用于静息态分析的脑网络。摘要未明确各加速倍数对应的增益、对照方法及统计不确定性，不能将该增益视为所有设置下的统一结果。 这些结果来自真实数据上的模拟欠采样重建，不应直接等同于前瞻性加速采集的验证。数据集、被试数、k-space 采样模式、参考图像、RSNs 提取与匹配方法，以及实验协议、消融及统计信息尚未验证。本文主要研究对象是 fMRI 采集重建，而非 BCI 解码；摘要不支持将其结果外推为 EEG 或 BCI 性能提升。

    阅读价值：值得核对双重时间稀疏约束能否在降低欠采样重建误差的同时保留静息态网络；作者报告的 PSNR 增益具有明确的加速倍数背景，但具体对照、采样协议及网络复现评估尚需全文验证。

  3. OpenReview · Representation learning71

    用于高光谱目标检测的联合稀疏表示与多任务学习

    基于摘要分析。本文研究高光谱图像（HSIs）目标检测中如何减少光谱冗余，同时保留区分目标与背景的判别信息，提出联合稀疏表示与多任务学习方法 JSR-MTL。其主要研究对象是高光谱图像，而非 EEG 或 BCI。 方法包含三个环节：利用波段交叉分组策略，根据 HSIs 的相似性构建多个子高光谱图像；通过多任务学习整合这些相关子图像的稀疏表示模型；累积各任务的总重构误差差值，用于目标检测。其思路不是直接舍弃部分光谱信息，而是将相关波段组织成多个任务并联合建模。具体稀疏约束、任务间共享方式、字典构造及误差差值定义尚未验证。 作者报告，在三幅 HSIs 上开展的实验中，JSR-MTL 的检测表现总体优于所比较的其他目标检测方法。摘要未给出图像名称、数据划分、对照方法、指标或提升幅度，因此无法量化优势，也不能判断优势适用的具体条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的通道或频带可形成相关且互补的特征组，分组稀疏表示与多任务整合可能为处理特征冗余提供参考。可复用的是分组建模和任务级误差汇总思路，需改造的是分组依据、类别字典及判别规则；原方法所需监督信息和样本规模仍需查阅全文。低信噪比、跨被试差异、通道配置变化及小样本字典不稳定可能使共享结构失效。一个可检验的小实验是在固定 EEG 分类任务及被试内数据划分下，比较单一稀疏表示、分组后独立建模和多任务联合建模，并核对分组及字典拟合是否仅使用训练数据。该迁移假设不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其通过波段交叉分组、联合稀疏表示与多任务误差汇总兼顾光谱冗余和判别信息的机制，但摘要中的性能结论及其向 EEG 迁移的有效性均需进一步验证。

1月1日周五
  1. OpenReview · Representation learning70

    用于跨模态分类的表征学习

    基于摘要分析。本文研究扫描参数或成像模态差异给监督式图像分类带来的困难，提出两种基于 autoencoders 的表征学习方法，通过约束不同域中对应图像块的表征相似性，学习用于跨模态分类的共同表征。主要研究对象是多模态脑 MRI 图像及合成数据，并非 EEG 或 BCI 解码。 核心机制是在数据表征目标之外加入相似性目标，最小化不同域中对应图像块的表征差异。该方法依赖可建立对应关系的跨域图像块；两种方法之间的结构差异、损失具体形式、对应关系来源及训练流程，摘要均未明确。实验将来自不同模态的训练与测试数据转换到所学共同表征，再针对模态对训练分类器。作者报告，相比标准目标，加入相似性项可以得到更相似的表征，并在这些跨模态分类实验中获得更高的 Accuracy；摘要未提供具体数值、数据集名称、样本规模或划分细节，因此不能判断提升幅度及统计稳健性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，在 EEG 域适应中，若跨会话或跨设备数据存在可靠的对应片段或事件条件，相似性约束可能帮助减小表征差异。可复用的是共同表征学习与对应样本约束，需改造的是适配 EEG 时序及通道结构的编码器和配对方式。低信噪比、跨被试生理差异、通道不一致及小数据条件可能使配对不可靠，或使相似性约束压缩任务判别信息。一个可检验的小实验是在固定 Cross-session 划分下，对比相同编码器仅使用数据表征目标与加入相似性目标的分类表现，严格区分训练配对数据与测试数据，并同时检查域间表征差异和任务 Accuracy。已有 EEG 相关工作尚未检索确认，原领域结果不能视为 BCI 有效性的证据。

    阅读价值：值得阅读的具体原因是其以对应图像块的表征相似性约束连接不同成像域，作者报告该约束可改善跨模态分类，但对应关系的构建方式与适用条件仍需核对全文。

1月1日周四
  1. OpenReview · EEG72

    利用通道间相关性进行 EEG 信号重建

    基于摘要分析。本文研究无线体域网（WBAN）中 EEG 信号的采集与传输问题，提出在压缩感知（CS）重建中利用通道间相关性，而非逐通道独立重建；研究目标同时包括改善信号重建和降低 EEG 传感节点的总能耗。 核心方法是将多通道信号集合分别建模为低秩矩阵、变换域中的行稀疏矩阵，以及两者的组合。低秩模型利用多通道之间的相关结构，行稀疏模型则以变换域的联合稀疏结构组织重建。摘要未给出具体变换、优化目标、求解算法或采样方案，三种建模方式的实现差异尚未验证。 作者报告，相较于逐通道重建的既有技术，所提方法可改善信号重建，并显著降低传感节点总能耗。作者进一步称，既有技术仅降低传输能耗，而其方法还能降低采集能耗，并消除压缩所需的处理能耗。摘要没有提供重建指标、能耗数值、硬件条件或对照细节，因此这些结论仍需结合全文核对；作者关于首次利用通道间相关性的表述也尚未独立确认。 复现时需核对 EEG 数据来源、通道配置、压缩采样率、重建误差指标及逐通道基线，并厘清采集、处理与传输能耗的计量边界。还需检查低秩与行稀疏假设在不同信号片段中的适用性，以及伪迹或通道相关性变化对重建的影响。本文直接研究 EEG 采集与重建，但摘要未验证重建后信号能否保持 BCI 解码所需信息；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其多通道联合重建与传感端能耗设计，尤其是通道间相关性如何支持低秩及变换域行稀疏建模，但重建收益与能耗降低的实验依据尚未验证。

  2. OpenReview · EEG75

    iEEG 信号的结构化采样与恢复

    基于摘要分析。该研究面向无线植入式脑电监测设备的数据传输负担，提出利用 iEEG 信号结构的压缩感知（Compressive Sensing，CS）方案，在采样与恢复两个环节引入结构信息，以期直接获取压缩信号并降低传输相关功耗。其主要研究对象是 iEEG 的压缩采集与重建，而非疾病治疗效果或 BCI 任务解码。 技术机制上，方案强调采样与恢复均感知信号结构，而不只是采集后再进行压缩。摘要未说明所利用的具体结构、采样算子、恢复算法或优化目标，因此尚不能判断其结构假设如何落实，以及对不同记录条件的适用范围。作者称该方案在概念上易于硬件实现；这不等同于已经验证植入式硬件的实际功耗、面积或实时性能。 作者报告，在两个 human iEEG datasets 上，该方案获得最高 32× 的压缩率并保持较高重建质量，且将其压缩性能描述为当时的 state-of-the-art。摘要未提供数据集名称、被试数量、数据划分、重建质量指标、对应压缩率下的误差或对照基线，因此该数值仅能作为所述两个人体 iEEG 数据集上的作者报告，不能直接外推至其他信号或采集场景。 复现时需核对信号结构假设、压缩率定义、采样与恢复实现，以及不同压缩率下的重建质量和传输成本。用于 BCI 前还需验证重建是否保留任务相关信息；较高波形重建质量本身不构成解码性能得到保持的证据。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其将 iEEG 信号结构同时用于压缩采样与恢复的思路，但作者报告的最高 32× 压缩率仍需结合采样协议、重建指标及硬件功耗验证解读。