结果族 085：Endpoint Sobolev regularity of centered disk averages · 学科：Real and complex analysis · 验证状态：主结果已 Lean 形式化
给照片开一个”最大均值滤镜”：在每个像素处，以它为圆心画各种大小的圆盘，把每个圆盘里像素亮度的平均都算一遍，取最大的当新亮度。原照片的”边缘墨水”（梯度总量）有限，滤镜会不会把边缘磨毛、让墨水暴涨？这篇论文证明：不会——极大函数的总梯度仍被原函数的总梯度乘一个绝对常数控制。
关键词卡片
@@M@@Mf(x)@@＝以 @@M@@x@@ 为圆心的所有圆盘平均的上确界，”反复采样、取最亮”。@@M@@W^{1,1}@@（Sobolev space）：函数及其一阶偏导数都可积的函数类，”总坡度有限”。@@M@@W^{1,1}@@ 的推广。@@M@@p=1@@ 的临界情形；@@M@@p>1@@ 时 1997 年起就已知，唯独 @@M@@p=1@@ 的工具全部失效。看个具体例子
代入具体数字：取 @@M@@E@@ 为单位圆盘，示性函数 @@M@@\mathbf 1_E@@ 沿圆周跳变，其”总变差”就是周长 @@M@@P(E)=2\pi@@。定理的推论说：把 @@M@@M\mathbf 1_E@@ 的每个水平集 @@M@@\{M\mathbf 1_E>t\}@@ 的周长对 @@M@@t\in(0,1)@@ 取平均，不会超过 @@M@@2\pi@@ 的常数倍。数字版定理：
@@M@@\int_0^1 P(\{M\mathbf 1_E>t\})\,dt\ \le\ C\,P(E)=2\pi C@@
对一般 @@M@@f\in W^{1,1}@@，主定理就是 @@M@@\|\nabla Mf\|_1\le C\|\nabla f\|_1@@：滤镜再怎么”取最大”，也制造不出比原图多出常数倍以上的边缘。
为什么值得关心
“取上确界”通常会杀死光滑性，这里证明中心圆盘极大函数依然保持 @@M@@W^{1,1}@@ 正则性，解决了 Hajłasz–Onninen 2004 年端点问题在平面中心圆盘情形的多年悬案。
已 Lean 形式化
第一级台阶
导读的”最大均值滤镜”可以这样卸妆：对象是平面上的一个函数——每个点有个亮度值；操作是逐点执行的”反复取平均、再取最大”：站在一个点处，以它自己为中心画各种大小的圆盘，把每个圆盘内亮度的平均都算出来，取其中的最大值作为新函数在这点的取值。导读问的是”边缘墨水会不会暴涨”，翻译过来就是：这道取最大的工序，会不会把原函数有限的”总坡度”放大到失控。
第二级台阶
| 用本科术语说：函数及其一阶弱导数都整体可积的函数类叫 Sobolev 空间 W^{1,1}，总坡度即弱梯度的 L^1 范数。中心圆盘极大函数定义为 Mf(x)=sup_{r>0}（ | f | 在以 x 为心、半径 r 的圆盘上的平均）。要证的估计是 ‖∇Mf‖₁≤C‖∇f‖₁。已知当 1<p<∞ 时梯度逐点被 M( | ∇f | ) 控制、再用强极大不等式收尾；但 p=1 时强 (1,1) 不等式失效，这条路在端点处断裂。 |
第三级台阶
定理的语境是：存在绝对常数 C，使每个实值 f∈W^{1,1}(ℝ²)——不要求径向、不要求紧支撑——的极大函数属于 W^{1,1}_{loc}，其分布导数由全局可积函数表示，且积分不等式成立。”实值”与”平面圆盘”两个假设挡住了复值输入与高维球族的额外麻烦；结论正面回答了 Hajłasz–Onninen 2004 年的端点问题在平面中心圆盘情形。证明的支柱是中间的带符号有限频带估计：对光滑紧支撑的 g，各尺度包络的梯度一致有界，常数不随频带内半径尺度数目增长。
论文证明：对平面上每个实值 @@M@@f\in W^{1,1}(\mathbb R^2)@@，中心圆盘极大函数 (centered disk maximal function) 满足 @@M@@\|\nabla Mf\|_1\le C\|\nabla f\|_1@@，@@M@@C@@ 为绝对常数。@@M@@Mf@@ 局部属于 @@M@@W^{1,1}@@ 且具有全局可积的弱梯度 (weak gradient)，正面解决了 Hajłasz–Onninen 端点正则性问题的平面中心圆盘情形。
中心圆盘极大函数 @@M@@Mf(x)=\sup_{r>0}\frac1{\pi r^2}\int_{B(x,r)}|f|@@ 取所有以 @@M@@x@@ 为心的圆盘平均的上确界，是调和分析的基本算子。Kinnunen 在 1997 年证明它对 @@M@@1<p<\infty@@ 在 Sobolev 空间 @@M@@W^{1,p}@@ 上有界：梯度被 @@M@@M(|\nabla f|)@@ 逐点控制，再结合强 @@M@@L^p@@ 极大不等式即得。但 @@M@@p=1@@ 时强 @@M@@(1,1)@@ 极大不等式失效，这条路线在端点 (endpoint) 处断裂。Hajłasz 与 Onninen 2004 年提问：梯度估计 @@M@@\|\nabla Mf\|_1\le C\|\nabla f\|_1@@ 本身是否仍然成立？一维已有 Tanaka（非中心）与 Kurka（中心）等肯定结果；高维仅对径向输入、非中心算子、二进或轴平行方体、以及分数阶情形成立。平面中心圆盘的零阶端点情形悬置多年，症结在于一维证明里区间的线性排序无法组织一族相互重叠的中心圆盘。
主定理：存在绝对常数 @@M@@C@@，使每个实值 @@M@@f\in W^{1,1}(\mathbb R^2)@@（不要求径向、不要求紧支撑）的极大函数 @@M@@Mf@@ 局部可积、属于 @@M@@W^{1,1}_{\mathrm{loc}}@@，且
@@M@@D\int_{\mathbb R^2}|\nabla Mf|\,\dd x\le C\int_{\mathbb R^2}|\nabla f|\,\dd x,@@
其分布导数 (distributional derivative) 由全局可积的函数表示。常数不追求最优。核心中间结果是”带符号有限频带估计”：对实值 @@M@@g\in C_c^\infty(\mathbb R^2)@@ 与 @@M@@b/a@@ 为二的幂，记 @@M@@S_{a,b}g=\sup_{a\le t\le b}A_tg@@（@@M@@A_t@@ 为带符号圆盘平均），则 @@M@@\int|\nabla S_{a,b}g|\le C\int|\nabla g|@@，常数与频带内尺度数目无关。推论把有界变差 (bounded variation, BV) 输入纳入：@@M@@f\in BV(\mathbb R^2)@@ 时 @@M@@Mf\in L^2\cap BV_{\mathrm{loc}}@@ 且 @@M@@|D(Mf)|(\mathbb R^2)\le C|Df|(\mathbb R^2)@@；对有限周长 (perimeter) 的集合 @@M@@E@@ 还有 @@M@@\int_0^1P(\{M\mathbf 1_E>t\})\,\dd t\le CP(E)@@。
证明先对光滑紧支撑的带符号 @@M@@g@@ 建立有限频带估计，伸缩归一到半径带 @@M@@[2^{-m},1]@@，最后延拓到 Sobolev 输入。骨架分四层。
第一层是几何抵消。内部极大半径处平均的径向导数为零，旋转矩在每个圆盘上恒为零；复数记号把两式合并成”零一次矩”恒等式，且被邻近圆盘的正混合（平衡核）保持。仿射抵消引理给核差乘上因子 @@M@@W_z(y)=1-\frac{\overline{y-x}}{\overline{z-x}}@@，它在薄壳中的点 @@M@@z@@ 处为零，故集中于 @@M@@z@@ 附近小帽的壳层质量变得便宜。壳层集中引理用在 @@M@@z@@ 处相切的嵌套圆盘扫掠，给出一个对所有半径一致的例外集 (exceptional set)：壳层质量几乎全部落入一个小帽，且只需内部圆盘的正质量界。由此得三条局部估计——不利方向梯度、频带端点梯度、数值振荡 @@M@@v_k@@——支撑尺度 @@M@@s@@ 的误差仅按 @@M@@(s/r)^{1/100}@@ 计费。
第二层给梯度标价。在二进网格 (dyadic grid) 的帐篷函数 (tent function) 下，将每个标量坐标（按有限锥基展开）自最细层向上等量配对正负质量，伸缩求和得每格的”公共价格” @@M@@D_Q@@，总预算 @@M@@\sum_Q D_Q\le C\int|\nabla g|@@，一份价格对所有方向通用。
第三层为剩余向量质量选取方向。在精炼路径上构造带”出生层”标记的粒子测度 (particle measure)，精确实现各顶点的向量质量；再定义逐点的有限状态标签律，把方向相同的极大连续尺度区间称为一个 run。换向产生端点项，空间变化的权重求导产生行导数项，两者的打包估计由向量可加性亏损支付，合计 @@M@@\le CV@@。
第四层装配频带。由锥代数与触碰原理 (touching principle)——极大半径处包络梯度等于该平均的梯度——把 @@M@@|\nabla F|@@ 拆成有利与不利投影：不利项由公共价格与打包估计付费；带符号投影扣除基线 @@M@@u_{r_i}@@ 后做加权分部积分。核心抵消在于转移行满足 @@M@@\sum_{n'}\nabla_x\pi_k(x;n,n')=0@@，取绝对值前可减去前一前缀历史的势，差只含 run 的延长与新 run，被 @@M@@\sum_{l\ge k}v_l@@ 控制；@@M@@v_l@@ 带来尺度 @@M@@r_l@@，求导的行带来尺度 @@M@@1/r_k@@，比值恰是方向成本估计控制的几何权。
最后延拓：@@M@@G_N=S_{2^{-N},2^N}|f|@@ 递增收敛于 @@M@@Mf@@，一致的变差界给出有限向量 Radon 测度 @@M@@H=D(Mf)@@。再证 @@M@@H@@ 无奇异部分 (singular part)：固定紧零测集 @@M@@K@@，在半径 @@M@@t@@ 处拆开——大半径包络 Lipschitz，贡献随邻域缩小而消失；小半径则把带符号估计用于 @@M@@g_Q=\chi_Q(g-c_Q)@@（@@M@@c_Q@@ 为局部均值，包络梯度不变），由 Poincaré 不等式把成本化为 @@M@@K@@ 的 @@M@@6t@@-邻域上 @@M@@|\nabla g|@@ 的积分。邻域缩小后令 @@M@@t\to0@@，由内正则性得绝对连续性，Radon–Nikodym 定理给出 @@M@@L^1@@ 弱梯度与主不等式。
按任务元信息，主结果已 Lean 形式化（族文档 lean/docs/085.md），这是对外部读者最强的核验保障；论文本身给出完整的分层证明（局部估计、公共价格、方向打包、装配、延拓五个模块）。延拓一节还注明：得到变差界后可改用 Lahti–Weigt 的条件正则性定理推出局部 Sobolev 正则性，但奇异部分的直接消除仍由本文的带符号局部分解完成。本批任务文件中该结果族仅此一篇手稿；文中常数未优化、最优值未知。按 OpenAI 官方声明，未经形式化的结果可能有问题——本文主结果已形式化，但读者仍应以社区核验与 Lean 证明为准。
问 1：证明里最关键的一步是什么？
答：装配一节对”转移行”的处理。对每个 run（同方向的连续尺度区间）减去起始尺度的平均后分部积分，关键在于转移概率的行归一化给出 Σ_{n’}∇_xπ_k(x;n,n’)=0，于是取绝对值之前可以先减去前一历史的势，差只含 run 的延长与新 run，被振荡项 v_l 的和 控制，尺度比值恰是方向成本估计管住的几何权。这一步是全文抵消的心脏。
问 2：为什么中间估计必须保留”带符号”形式？
答：因为消奇异部分时要把估计用于 g_Q=χ_Q(g−c_Q)（c_Q 为局部均值）：在小圆盘上 A_t g_Q=A_t g−c_Q，包络梯度不变，而 Poincaré 不等式把 ‖∇g_Q‖₁ 化为稍大方块上的梯度积分。若只有非负输入的估计，这套局部减法无处安放，奇异部分就消不掉。
问 3：与已有工作相比真正的新意在哪里？
答：一维证明（Tanaka、Kurka）靠区间的线性排序组织信息，论文明说这套排序”无法直接组织一族相互重叠的中心圆盘”。已有高维结果都带条件：非中心方体（Weigt）、径向输入（Luiro）、二进格（Weigt）、正分数阶（Beltran–Madrid，其机制在零阶退化）；Lahti–Weigt 的条件正则性定理假设了变差界。本文的贡献是同时证明该变差界并直接消除奇异部分。
问 4：证明最可能在哪里出错？
答：分层机器的常数协同。局部估计里误差按 (s/r)^{1/100} 计费，公共价格预算 ΣD_Q≤CV，标签律的换向与行导数两项打包——每层各有绝对常数，装配时几何权 r_l/r_k 必须严丝合缝地对上。AI 生成证明的典型风险正是这类多模块估计的”接口错位”（某层的尺度约定与另一层不符）。本文主结果已 Lean 形式化，风险显著低于同批未形式化论文。
问 5：哪个假设最不能去掉？
答：平面性。零一次矩恒等式、复数记号下的仿射抵消因子 W_z(y)=1−(y−x)‾/(z−x)‾、薄壳集中引理（嵌套相切圆盘扫掠）全部依赖二维圆盘几何；引言明言论证只涉及平面圆盘，高维球族的对应集中现象未建立。
问 6：谁会用这个结果？
| 答：推论直接给出 BV 输入的变差界 | D(Mf) | (ℝ²)≤C | Df | (ℝ²) 与周长不等式 ∫₀¹P({M𝟙_E>t})dt≤CP(E)，几何测度论与图像处理中的全变差正则化理论都能引用；它也是 Hajłasz–Onninen 端点纲领里第一块不带结构假设的中心算子拼图。最优常数论文未求。 |
总评
这是端点极大算子正则性里一块真正填补空白的硬骨头，且已形式化背书；最大残留风险在装配层多常数协同的正确性——Lean 证明若与论文文本逐步对应，则可放心引用。