딥러닝 (Deep learning) EEG 노이즈 제거 (denoising) 아키텍처는 수만 개에서 수천만 개의 파라미터 (parameters) 규모로 확장되어 왔으나, 모델 용량 (model capacity)을 실험 변수로 분리하거나 재구성 메트릭 (reconstruction metrics)이 다운스트림 신경 신호 유틸리티 (downstream neural-signal utility)를 예측할 수 있는지 테스트한 선행 연구는 없었습니다. 본 연구에서는 아키텍처, 손실 함수 (loss), 데이터 분할 (data split), 학습 레시피 (training recipe)를 고정한 채, 최소한의 depthwise-separable convolutional U-Net 내에서 채널 너비 (channel width)를 1.05K에서 40.26K 파라미터까지 변화시키며 이 두 가지 공백을 해결합니다. 모델은 EEGDenoiseNet 벤치마크, 교차 데이터셋 BCI 전이 테스트 (cross-dataset BCI transfer tests), 통제된 베이스라인 재학습 (controlled baseline retraining), 그리고 9명의 BCI Competition IV-2a 피험자 전체에 걸쳐 5가지 디코더 제품군을 사용한 다운스트림 운동 상상 (motor-imagery) 분류 테스트를 통해 평가되었습니다. 재구성 성능은 3-6.5K 파라미터에서 포화되었으며, 엘보우 (elbow) 지점 이후의 이득은 log10-파라미터 단위당 상관 계수 (correlation coefficient)가 최대 0.015에 불과했습니다. 동일한 파이프라인 하에서 재학습된 8.46M 파라미터 베이스라인은 EOG에서 40.26K 초소형 변형 모델과 동일한 성능을 보였으며, 이는 200배의 파라미터 격차에도 불구하고 아무런 이점이 없음을 의미합니다. 한편, Patch-Transformer 대조군은 동일한 수확 체감 (diminishing-return) 형태를 재현했습니다. 다운스트림 평가에서는 분류기에 따라 달라지는 메트릭-유틸리티 간극 (metric-utility gap)이 드러났습니다. 재구성 최적화 노이즈 제거는 9명의 피험자와 3가지 아티팩트 (artifact) 유형 전체에서 CSP+LDA 분류 성능을 현저히 저하시켰습니다 (최적 노이즈 제거 정확도 0.547 vs. 노이즈 베이스라인 0.612; Bonferroni p=0.0488). 이러한 현상은 자연스럽게 기록된 시행 (trials)에서도 지속되었습니다 (Delta=-0.047; BH-FDR q=0.0049). 엔드투엔드 (End-to-end) 신경 디코더 (neural decoders)는 가변적이거나 중립적인 효과를 보였습니다. 표준 EEG 노이즈 제거 벤치마크는 현재 모델 용량보다 훨씬 낮은 수준에서 이미 포화되었으며, 재구성 메트릭은 BCI 유틸리티를 예측하지 못합니다. 33-46 KB 및 세그먼트당 1.27-2.61M FLOPs 규모의 초소형 모델은 엣지 배포 (edge deployment)에 실용적입니다. 이러한 발견은 용량이 제어된 평가, 더 어려운 태스크 인지형 (task-aware) 벤치마크, 그리고 필수적인 다운스트림 검증의 필요성을 주장합니다.