DVSM：最简单的仅解码器视角合成模型表现最佳

基于摘要分析。本文研究回归式视角合成中编码器—解码器、仅解码器与基础模型设计的组合选择，提出 DVSM：由同一个解码器同时构建可复用的场景状态并渲染新视角，强调完整权重共享，而非将两项功能解耦。 机制上，DVSM 先根据上下文视图预填充各层 KV cache，再以相同权重通过单向交叉注意力渲染各个目标视角。基础模型特征可在上下文预填充阶段注入，作为与共享设计正交的增强。摘要未给出具体训练目标、相机信息编码方式及缓存组织细节。 作者报告，在其测试的所有权重解耦形式中，参数量增加仍伴随质量下降。作者的特征空间分析认为，对于相同视点，完整权重共享能使重建特征与仅依赖相机信息的渲染特征保持对齐，并使渲染器恢复对应的 oracle features；这一机制解释仍需结合正文中的特征定义与分析协议核对。 作者报告，DVSM 在 DL3DV 及零样本分布外基准上达到最先进结果，优于所比较的不依赖几何和基于几何的基线，且不使用显式 3D 归纳偏置；在多数基准上，表现最好的变体同时也是最小模型。摘要未提供具体指标、分数、数据划分或参数量，实验协议、消融及统计信息尚未验证。 研究对象是视觉场景的新视角合成，而非 EEG 或 BCI。当前材料未建立场景 KV cache、相机条件渲染与神经信号任务之间的具体对应关系，因此不能据此推断 BCI 有效性；相关 EEG 工作尚未检索确认。复现前需核对上下文与目标视图采样、权重解耦对照的训练条件、基础特征注入设置及分布外评估定义，代码与权重可用性尚未验证。