BLiSS：自举式线性形状空间

基于摘要分析。本文研究如何降低构建可变形形状模型所需的人工配准成本，提出 BLiSS，通过渐进式自举联合扩充形状空间与求解原始扫描之间的稠密对应。主要研究对象是用于以人为中心应用的扫描形状建模，而非 EEG 解码或时序状态空间建模。 核心机制是利用两个问题的相互依赖：稠密对应为形状空间构建提供基础，而具有足够表达能力的形状空间又能提供低维约束，正则化对应关系的搜索。方法从少量人工配准扫描开始，逐步丰富形状空间，再利用该空间自动将新的未配准扫描纳入对应关系。摘要将非线性形变模型列为关键组件，用于捕获低维形状空间未能表达的细节，从而支持后续空间扩充。 相较于依赖大量人工干预与非刚性配准的常见构建流程，本文的贡献在于把形状空间构建和对应关系求解组织为渐进式联合过程，而不是彼此独立处理。摘要未提供形变模型的具体参数化、优化目标、迭代策略或停止条件，这些技术细节尚未验证。 摘要也未提供扫描数据集、初始人工配准规模、评估划分、对照基线及定量结果，因此目前只能确认作者提出的机制，不能判断其配准精度、人工成本节省幅度或对复杂形状的泛化能力。实验协议、消融及统计信息尚未验证。 本材料没有提供该形状建模机制与 EEG/BCI 的具体对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。来源分类中的 State space models 不能替代论文内容，也不能据此将 BLiSS 解读为神经信号序列模型。