通过重建学习组合式场景表征：综述

基于摘要分析。本文研究视觉场景中概念组合带来的组合爆炸问题，综述利用深度神经网络、通过重建学习组合式场景表征的方法。其主要贡献是梳理研究发展与方法分类，介绍代表性方法的基准评估及开源复现工具箱，并讨论现有方法的局限与未来方向。 核心思路是通过重建任务学习场景的组合式表征，而非仅依赖人工标注。作者指出，这一路径能够利用大量无标签数据，减少数据标注的成本。综述分别从视觉场景如何建模、场景表征如何推断两个角度组织已有方法；摘要未提供具体表征结构、重建损失或训练与推理流程，不能据此判断各类方法的实现差异。 作者说明，基准覆盖代表性方法，聚焦该领域研究最广泛、且构成其他方法基础的问题设置，并配套开源工具箱以复现实验。摘要未列出数据集、划分方式、评价指标、对照方法或实验数值，基准覆盖范围、实验协议、消融及统计信息尚未验证；工具箱的具体内容与运行条件也需查阅正文及对应资源。 本文的主要研究对象是视觉场景，而非 EEG 或 BCI。重建与组合式表征提供了通用方法背景，但现有材料不足以建立视觉概念分解与神经信号成分分解之间的具体对应关系，因此不能将综述中的方法或基准视为已验证的 BCI 技术。已有 EEG 相关工作尚未检索确认。