这篇有意思的不在网络，而在换了个问题：别人想"怎么弄到更多真值"，它想"能不能不要真值"——把缺失的监督信号从数据问题改写成几何问题。
问题：一个像素只测一个波段
快照式多光谱相机靠 MSFA（多光谱滤光片阵列）一次曝光拿到所有波段，代价是每个像素只测一个波长——4×4 的 MSFA 意味着 16 通道里有 15 个是插出来的。而全分辨率光谱真值只能靠推扫式线扫描拍，慢且笨重，跟快照的初衷本身就矛盾。于是长期卡在两头：经典插值不要真值但糊，深度方法清楚但要真值。
转折：用群结构去探零空间
切入点是零空间：只让重建反投影回去对上马赛克测量是不够的，零空间里加任何东西残差都是零。等变成像的思路是造虚拟观测：把重建做个变换、重采样成马赛克、再送回网络，要求它和直接变换重建结果一致。以往用像素平移群，太小；这篇换成相机绕光心转动诱导的射影变换群，pan / tilt / roll 组成的单应变换，平移和旋转都只是子群。群变大，被马赛克吃掉的信息就能捞回更多。
第二块是微调一个叫 RAM（Reconstruct Anything Model）的重建基座：冻住卷积主干，把单通道的输入输出头复制到 16 通道，只训这几层。RAM 只有 32M 参数，是个小基座——可复用的不是规模，而是这条路径：只见过灰度 / RGB 的基座靠改头尾就能接任意通道数。消融也干净（HELICoiD，PSNR）：零样本 28.00 → 平移等变 41.77 → 透视等变 44.84，监督天花板 46.83，次好的经典方法 40.98。
赢的是幅值，没赢的是角度
做颜色的人重点看这段。PEFD 的 ERGAS 从 Gaussian 的 6.13 降到 4.46，逐波段相对幅值误差降 27%，全表最好；但同表里 SAM 是 0.042，Gaussian 是 0.034、连加权双线性都有 0.038。HyKo 上更直白：PEFD 的 SAM 是 0.064，跟最朴素的双线性完全持平，Gaussian 是 0.044——PSNR 赢了 2.2 dB，光谱角一点没赢。
也就是说，从零空间捞回来的是空间高频和每个波段的幅值，不是光谱的方向。而对下游来说方向才是载荷：白点估计、CCM 拟合、材质判别吃的都是通道间比例，幅值会被归一化掉。作者只回应说采样光谱曲线跟真值吻合，但那是几条曲线，不是统计量。典型的"重建充分不等于决策充分"——指标挂在 PSNR 上，方法就往锐度上跑。
能进哪些工作流
最直接的落地在多光谱模组：做 MSFA 传感器的团队，最大成本项不是训练，而是配一套推扫系统攒真值，PEFD 只要自己传感器拍的马赛克数据，也不绑定排布。
更值得抄的是监督信号本身——相机自己的运动就是免费的透视变换。手机连拍的手抖、车载的转向、云台的 pan/tilt 本来就在产生同一场景的不同射影视角，任何"采样不足 + 有相机运动"的环节都能搬。再往颜色引一步：三刺激也好、MSFA 也好，本质都是不可逆投影，问"哪些信息掉进了零空间、什么先验能捞回来"，比问"网络要不要更深"有价值——同色异谱正是活在零空间里。
局限与存疑
两个出数字的数据集，马赛克都是仿真的。HELICoiD 从推扫高光谱模拟 16 波段；HyKo 更麻烦——它本身就是用 imec / Ximea 的 4×4 快照马赛克相机拍的，全分辨率光谱立方体物理上不可观测，那份"真值"自己就是一次重建的产物，再拿它模拟马赛克，链条是闭环的。唯一的真实传感器实验（imec CMV2K-SSM4x4-VIS）只有定性图，而通道串扰、滤光片不均、暗电流恰是仿真最易漏掉的。
透视等变的增益也不稳定：HELICoiD 上比平移等变多 3 dB，HyKo 上只从 34.47 到 34.81，几乎打平——猜测是车载以平移为主、绕光心的转动少，但论文没验证。而 SAM 的退步只用一张采样光谱图带过；拿去做组织分类或白点估计，0.042 对 0.034 到底意味着什么，才是真正该回答的问题。