用于增强 3D 语义场景图预测的对象中心表征学习

基于摘要分析。本文研究 3D 场景中对象及其语义关系的预测，核心方法是通过对比预训练学习具有辨别力的对象表征，将对象表征学习与场景图预测解耦，并结合几何与语义特征改善关系预测。研究对象是面向机器人和 AR/VR 等应用的 3D 语义场景图，而非神经信号解码。 机制与创新：作者认为，既有方法在对象和关系特征的辨别能力不足时，过度依赖 Graph Neural Networks。本文因而将改进重点放在对象特征编码器及其预训练上，而不只是后续图推理。作者报告，对象特征质量对整体场景图准确性具有重要影响，改进对象表征不仅提升对象分类，也能改善关系预测；此外，方法融合几何与语义特征以增强关系表征。摘要未提供编码器结构、对比样本构造、损失形式，以及两类关系特征的具体融合方式。 结果与验证边界：作者报告，在 3DSSG 数据集上，所提方法优于此前最先进方法；将预训练编码器接入既有框架后，所有评估指标均有明显改善。摘要未列出指标名称、数值、数据划分或具体对照方法，因此无法据此量化增益，也无法判断编码器、预训练和特征融合各自的贡献。实验协议、消融及统计信息尚未验证。 复现条件：材料提供了公开代码仓库，但代码完整性、预训练权重、环境配置和数据处理流程尚未核验。本文未提供 EEG/BCI 实验，也未建立对象—关系结构与神经信号任务之间的具体机制对应，因此不将其结果视为 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。