面向非刚性形状对应的几何感知表征学习

基于摘要分析。本文研究非刚性 3D 形状之间的稠密对应，针对复杂形变下特征交互不稳定、嵌入几何畸变难以控制以及跨数据集泛化受限的问题，将注意力引导的特征细化与表征层面的度量正则化结合，在不依赖真值监督的条件下学习形状对应。 机制上，注意力模块用于增强跨形状的判别性交互；Intrinsic Metric Consistency 则从多个尺度约束嵌入几何，其中微分度量一致性机制限制内在长度畸变，Laplacian alignment 项稳定局部邻域结构。其关键思路不是仅提升特征区分性，而是同时约束表征应保留的几何关系。具体损失形式、邻域构造和训练流程尚未验证。 作者报告，在标准基准实验中，该方法相较现有方法取得一致改进，并表现出更强的跨数据集泛化能力；摘要未提供基准名称、划分、对照方法或量化指标，因此不能判断提升幅度及适用形变范围。实验协议、消融及统计信息尚未验证。作者表示将公开代码，当前可用性尚未验证。 平台推测（待验证）：若 EEG 表征中存在可跨被试保留的局部几何结构，度量与邻域约束或可用于检验跨被试表征稳定性；但原任务依赖 3D 曲面的内在几何及稠密对应，EEG 的通道位置、信号相似性与任务语义并不天然等价于曲面度量。可复用的是表征正则化思路，需重新定义 EEG 的邻域和距离，并核对其是否保留类别信息。低信噪比、通道差异和小样本可能使邻域估计不稳定，过强约束也可能抹除被试特异信息。一个可证伪的小实验是在固定跨被试划分和同一编码器下，对比不加正则、仅度量约束及加入邻域约束的任务表现与表征稳定性。已有 EEG 相关工作尚未检索确认。