PART 如何由局部组装成整体：学习图像的相对构成

基于摘要分析。本文主要研究图像自监督表征学习：固定网格中的图像块绝对位置预测难以刻画物体及其局部之间连续变化的空间关系，作者因此提出 PART，通过非网格图像块之间的连续相对变换学习图像的相对构成。 机制与对照：PART 将预训练任务的重点从固定网格索引转向局部之间的相对结构关系。作者认为，这种表征能够在遮挡和形变条件下泛化。摘要未说明具体变换类型、图像块采样方式、模型结构、损失函数及训练规模，这些机制细节尚未验证。 结果与证据边界：作者报告，在需要精细空间理解的目标检测和时间序列预测任务中，PART 优于 MAE、DropPos 等网格方法，并在较少超参数调节下保持有竞争力的全局分类表现。摘要未提供数据集、指标、数值、划分及调参预算，实验协议、消融及统计信息尚未验证。虽然摘要将 EEG 列入潜在适用数据类型，但不能据此确认其完成了何种 EEG 任务或获得了 BCI 性能提升。 平台推测（待验证）：若 EEG 的局部片段之间存在可稳定学习的时序或空间相对关系，PART 的相对变换预测思路可能用于自监督预训练。可复用的是局部关系学习目标；需改造的是图像块采样、相对变换定义以及 EEG 通道布局与时间片段的编码。该假设依赖有效的片段关系定义及足够的无标签数据，低信噪比、跨被试差异、通道配置变化和小数据条件都可能使任务学到伪线索。可检验的小实验是在同一 EEG 数据集、相同编码器与训练预算下，对比相对关系预训练和固定位置预测，并在严格一致的跨被试划分下评估下游表现。已有 EEG 相关工作尚未检索确认。