LISR：使用紧支撑径向基函数学习线性三维隐式曲面表示

基于摘要分析。本文研究从局部且含噪的三维点云扫描中重建物体隐式曲面，提出 LISR，以局部紧支撑径向基函数构建线性隐式曲面表示，并通过神经网络在真实 Signed-Distance Field（SDF，符号距离场）的监督下学习该表示。研究对象是三维几何重建与形状补全，而非神经信号解码。 核心机制是利用径向基函数对隐式曲面进行参数化；作者指出，所提表示的连续性允许在任意分辨率下生成具有任意拓扑的三维形状。作者还指出，使用真实隐式曲面与线性基表示曲面之间的均方误差训练神经网络，不能收敛到全局解；该论断的具体假设、证明范围，以及所提方法如何处理这一问题，需结合全文核对。 传统线性隐式形状求解涉及基函数与查询点选择，并可能因大型矩阵求逆面临数值困难。本文转而学习线性隐式表示，但摘要未说明网络结构、基函数中心与支撑范围的确定方式，也未提供计算成本和数值稳定性的量化证据。 作者报告，在基准数据集的评估中，该方法相较所比较的最先进方法取得更好的 Chamfer distance 和相近的 F-score，并展示了三维形状补全应用。摘要未给出数据集名称、划分、对照方法、具体数值及 F-score 阈值，因此尚不能判断改善幅度和适用范围；实验协议、消融及统计信息尚未验证。材料未建立该几何表示与 EEG/BCI 任务之间的具体机制对应关系，不据此推断神经信号任务收益。