OmniEvent：统一事件表征学习

基于摘要分析。OmniEvent 研究事件相机数据的统一表征，针对非结构化分布与时空非均匀性导致网络依赖任务专用设计的问题，提出“解耦—增强—融合”范式，并输出可供标准视觉模型处理的网格状张量。 其核心机制是在空间域与时间域分别进行局部特征聚合和增强，避免直接将事件视为三维点云时对手工时空缩放权重的依赖；利用空间填充曲线扩大感受野、改善内存与计算效率，再通过注意力融合两域特征，学习时空交互。作者称，该输出接口允许标准视觉模型在不改变架构的情况下处理事件数据。 作者报告，在统一框架和相近超参数下，该方法在三个代表性任务、十个数据集上的性能优于任务专用 SOTA，最高提升达 68.2%。摘要未说明具体任务、数据集、指标及该百分比的计算口径，因此不能将其解读为准确率提升或百分点增益，也不能据此判断各任务的收益一致性。实验协议、消融及统计信息尚未验证。摘要提供了拟发布代码的地址，但仅表示代码将准备就绪，当前可用性尚未验证。 平台推测（待验证）：可迁移假设是将空间与时间统计差异分开建模，可能有助于 EEG 的通道—时间表征；但原方法依赖事件相机的时空事件结构，EEG 通常是固定通道的连续采样信号，不能直接等同。可复用候选包括分域聚合与注意力融合，需改造通道拓扑编码及网格化映射；低信噪比、跨被试差异、通道布局变化和小数据训练均可能削弱收益。一个可证伪的小实验是在固定 EEG 数据划分、下游模型和训练预算下，对比联合时空聚合与解耦聚合，分别报告被试内和跨被试结果。相关 EEG 工作尚未检索确认。