面向 3D 面部表情识别的渐进式自监督表征学习

基于摘要分析。该研究针对 3D 面部表情识别（FER）数据集规模有限的问题，提出利用外部 3D 数据进行渐进式自监督预训练，再在目标 FER 数据集上微调的方法。主要研究对象是三维人脸点云及表情识别，并非 EEG 或 BCI。 方法以 Point-MAE 为基础，先在大规模 3D 物体点云数据集 ShapeNet 上进行自监督学习，再转向主要用于可变形人脸预测的 FaceScape，并在目标 FER 微调前引入合成数据，以逐步学习由粗到细的表情表征。作者还将人脸先验融入掩码与点采样步骤，使预训练更贴合面部数据特征；先验的具体形式、合成数据生成方式、各阶段训练配置及损失细节尚未验证。 作者报告，该方法在 BU-3DFE 和 Bosphorus 上达到其所称的最先进性能，并达到或超过其他 2D+3D FER 方法。摘要未提供具体指标、数值、数据划分或被试隔离方式，因此不能据此比较被试内与跨被试表现，也不能量化各预训练阶段和先验设计的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法研究参考的是“通用数据预训练—领域数据适配—任务微调”的阶段化思路，而非直接复用人脸点云处理。假设其价值来自逐步缩小数据分布差异，EEG 中仍需重新设计信号编码、掩码单位及通道与时间先验；低信噪比、跨被试差异、通道配置变化和小样本可能导致负迁移。一个可证伪的小实验是在固定模型、预训练数据量与训练预算下，比较混合预训练和阶段化预训练的跨被试表现，并单独核对领域先验的增益。该假设不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。