用于三维表面重建的双重层次表示学习

基于摘要分析。本文研究从离散体素重建三维形状或表面时，神经隐式表示面临的计算复杂度问题，提出 Dual Hierarchical Representation（DHR），通过分层编码、解码和训练，在受限计算条件下提升重建表示能力。研究对象是三维几何重建，并非 EEG 解码或 BCI。 机制上，DHR 先将稀疏体素化形状编码为多尺度特征网格，再根据查询点对各尺度特征进行网格采样，形成层次化潜在特征编码集合。Transformer 解码器按层次顺序整合这些编码，引导特征到三维空间的投影，并通过 cross-attention 建模潜在特征与占据值之间的交互。训练阶段进一步以不同贡献整合各层次表示，形成由全局到局部的学习过程；具体损失、权重设定与训练调度尚未验证。 作者报告，DHR 在体素重建任务中优于多种基线，并对不同形状类别表现出鲁棒性。摘要还将潜在的真实场景应用价值归因于 Transformer 的泛化能力，但未提供相应测试协议，不能据此认定已验证真实场景效果。数据集、划分方式、重建指标、基线配置、计算预算、消融及统计信息尚未验证，因此目前不能量化其精度—计算开销权衡。 摘要提供了代码仓库，可作为后续核对实现的入口，但代码完整性、运行环境及复现结果尚未验证。该方法依赖三维空间网格、查询点与占据预测之间的结构对应；现有材料未给出其与 EEG 数据的具体机制对应，不据此推导 BCI 迁移收益。