Radar as Tokens：学习统一的雷达原生表征

基于摘要分析。该研究面向毫米波雷达的室内外感知，针对噪声、多径、旁瓣及极坐标下空间分辨率随距离变化等问题，提出任务无关的雷达原生表征 RadTok（Radar as Tokens），以紧凑离散 token 表达雷达数据，并显式处理雷达特有的几何与退化特征。 方法包含两部分：一是受 VQ-style 表征学习启发的任务无关离散空间 tokenization，将雷达张量压缩为旨在抑制杂波、保留一致目标结构的 token；二是结合分辨率感知的极坐标网格重采样与可学习 de-sharpener，建模随空间位置变化的雷达退化。作者称，所得表征可直接供现有基于空间特征的感知流程使用，无需修改下游模型架构。摘要未提供具体损失、码本配置、训练监督及数据规模。 作者报告，在采用同一 tokenizer 设计的多任务评估中，RT-Pose 室内绝对姿态误差降低 17.8%；在 K-Radar 上，室外 3D 检测较基线提升超过 10 AP，占据栅格预测提升 2.2 mIoU。摘要未列明具体基线、数据划分、指标计算细节与不确定性，不能据此进行跨协议比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究借鉴的是“离散压缩与传感器特性建模相结合”的机制，而非雷达极坐标重采样本身。迁移假设依赖于 EEG 时空结构能否在量化后保留任务信息；tokenizer 可能复用，但输入表征与退化模型需围绕电极布局、伪迹及跨被试差异重新设计。低信噪比和小数据可能使码本偏向伪迹或被试身份，压缩也可能损伤微弱神经信号。一个可检验的小实验是在固定 Cross-subject 划分和相同下游模型下，对照原始特征、仅离散 tokenization、以及加入 EEG 特定退化建模的版本，检验增益是否来自压缩或传感器建模，并核对神经信号保真性。相关 EEG 工作尚未检索确认。