CLERF：用于全范围头部姿态估计的对比学习

基于摘要分析。CLERF 面向图像中的头部姿态估计（HPE），针对姿态数据稀疏、难以采样有效三元组的问题，利用具备 3D 感知能力的生成对抗网络（3D GANs）构造 anchor-positive-negative 三元组，并结合包含几何变换的大量数据增强进行对比学习，以学习具有几何感知能力的表征。 核心机制是借助生成数据补充姿态覆盖，再通过对比学习增强表征对姿态及图像变换的适应性。摘要未说明三元组的具体构造规则、正负样本定义、损失形式，以及生成数据与真实图像的训练配比，这些复现条件尚未验证。 作者报告，现有 HPE 模型面对轻微旋转或翻转的测试图像时表现不稳；CLERF 在标准测试集上达到与当前先进模型相当的表现，在增强测试数据及全范围姿态上优于对照方法。作者还报告，该方法能够处理包括倒置方向在内的完整旋转范围，并优于已有覆盖完整 yaw 范围的方法。摘要未提供数据集名称、划分、误差指标、具体数值或基线名单，因此尚不能量化优势，也不能将完整 yaw 范围与全部旋转方向的覆盖等同；实验协议、消融及统计信息尚未验证。 该研究的主要对象是视觉 HPE，而非 EEG 解码或 BCI。其方法依赖可生成头部图像的 3D GANs 与姿态相关样本关系，不能直接假定能迁移到神经信号；当前材料尚不足以建立具体的 EEG 机制对应，已有 EEG 相关工作亦尚未检索确认。