Surface-SOS：基于神经表面表示的自监督对象分割

基于摘要分析。Surface-SOS 面向无标注多视图图像中的对象分割，通过场景的三维神经表面表示利用跨视图的结构、纹理与几何一致性，为各视图生成细粒度对象掩码。其主要研究对象是视觉场景中的对象，而非 EEG 或 BCI 信号。 方法将场景分解为两个互补的神经表示模块，每个模块分别采用 Signed Distance Function（SDF，符号距离函数）描述表面，以建模复杂场景的几何结构。框架还可将粗分割掩码作为额外输入，借助多视图无标注图像细化单视图分割。摘要未说明两个模块的具体分工、掩码来源、损失函数及训练流程，这些细节尚未验证。作者将减少对大量标注数据，以及静态背景或视频时序监督等约束的依赖，作为该方法的主要贡献。 作者报告，在 LLFF、CO3D、BlendedMVS、TUM 及若干真实场景实验中，Surface-SOS 相比基于 NeRF 的对应方法产生更精细的对象掩码，并优于有监督单视图基线。摘要未提供具体指标、数值、数据划分或基线配置；多视图方法与单视图基线的信息条件也需结合正文核对，不能将该结论泛化为所有分割设置下的优势。实验协议、消融及统计信息尚未验证。 摘要提供了代码仓库，但代码可运行性、相机与几何输入要求、计算成本及复现配置尚未验证。该方法依赖同一场景的多视图图像及可利用的几何一致性；现有材料未建立这些条件与 EEG 数据结构之间的具体对应关系，因此不据此提出 EEG 迁移效果或复现实验建议，相关 EEG 工作尚未检索确认。