MGMapNet：用于端到端矢量化高精地图构建的多粒度表征学习

基于摘要分析。该研究面向端到端矢量化高精地图构建，需要同时提取地图元素的类别与几何信息。作者提出 MGMapNet，将粗粒度实例级查询与细粒度点级查询结合，以建模单独采用其中一种表征时容易忽略的点与实例之间的关系。 核心机制包括 Multi-Granularity Aggregator 与 Point Instance Interaction。前者从多尺度鸟瞰图（BEV）特征生成两种粒度的查询：实例级查询聚合整个实例覆盖范围的特征，点级查询聚合局部特征；后者促进两类查询之间的信息交换。其方法重点是将实例整体语义与局部几何表征连接起来，而非仅提高单一粒度的表达能力。具体损失、训练策略和推理流程尚未验证。 作者报告，在 nuScenes 和 Argoverse2 的矢量化高精地图构建评估中，MGMapNet 相对 MapTRv2 分别提高 5.3 mAP 和 4.4 mAP，并称达到当时最先进性能。摘要未提供绝对分数、数据划分及具体评估配置；完整实验协议、消融及统计信息尚未验证，不能据此判断各模块的独立贡献或跨配置稳定性。 平台推测（待验证）：其跨粒度聚合与交互机制可作为 EEG 局部时空片段和整体试次表征协同建模的假设，但原方法依赖地图实例、点及其空间覆盖关系，不能直接视作 EEG 方法。可复用的是双粒度查询与交互思路，需改造的是 EEG 的粒度定义、聚合范围及任务监督。低信噪比、通道差异、跨被试分布变化和小数据条件可能使局部查询不稳定。一个可证伪的小实验是在固定跨被试划分与训练预算下，对比单粒度表征、双粒度但无交互、双粒度加交互三种设置，检验交互是否带来稳定增益。已有相关 EEG 工作尚未检索确认。