TriFold：将不规则 3D 高斯折叠为用于 3D 场景生成的结构化潜变量

基于摘要分析。TriFold 面向原生 3D Gaussian 场景的紧凑生成表征学习，提出将不规则高斯基元集合编码为固定布局 triplane 潜变量的 VAE，并联合重建几何与外观。研究的主要对象是 3D 场景，而非 EEG 或 BCI；核心思路是在潜空间引入结构规则性，同时保留高斯基元的空间自适应性。 编码阶段采用单元级可学习查询，将投影后的高斯基元聚合为每个单元内的多个槽位，以缓解单特征池化造成的信息损失。解码阶段先预测占据情况、识别活跃区域，再通过基于查询的集合预测与候选选择重建局部高斯集合，使不同区域能够具有不同的基元数量。在此表征之上，作者训练潜空间 flow-matching 模型，支持点云条件合成和单图像条件下的 amodal generation，即生成包含输入图像未完整观测部分的场景。 作者报告，该方法能够实现高保真重建，并从仅提供场景局部观测的单张图像生成场景；摘要未给出数据集、定量指标或对照结果，因此无法判断提升幅度。训练损失、数据划分、消融、统计信息及复现条件尚未验证。 平台推测（待验证）：其“不规则集合—固定结构潜变量”的机制，可能启发可变通道或不规则电极布局的 EEG 表征，但这仅是假设。原方法依赖三维空间位置及几何、外观重建目标，不能直接对应 EEG 的时序动力学；多槽位查询聚合可能复用，triplane 布局、占据预测与解码目标则需改造。低信噪比、跨被试空间对应不稳定及小数据可能使槽位学习失效。可先在固定数据划分与相同训练预算下，比较多槽位聚合和单特征池化在通道缺失条件下的重建误差及下游任务表现；已有 EEG 相关工作尚未检索确认。