看见不可见：面向可泛化视线感知的物理即表征

基于摘要分析。本文研究视觉视线感知的跨域泛化，提出 physics-as-representation 范式及其实现 SG-Gaze，将物理结构与几何规律纳入视觉表征，而非仅依赖像素外观学习。研究对象是视线与眼球几何，并非 EEG 解码或 BCI 算法。 SG-Gaze 通过双分支对抗学习构建 Structurally and Geometrically Consistent Representation（SGR）。其中，解析分支将外观特征嵌入与视线测地线对齐的球面流形；模型引导分支利用弱二维边缘监督重建三维眼球。View-Consistent Regularization 进一步引入合成视角扰动，约束视线向量与结构投影在旋转变换下保持等变一致性。作者称，这一设计无需多视角标定或显式三维标签；摘要未说明具体对抗目标、损失权重及合成扰动的实现方式。 作者报告，在 12 个跨域迁移设置中，SG-Gaze 达到最先进的准确性并具有较强泛化能力。但摘要未列出数据集、训练与测试划分、对照方法、具体误差指标或数值，因此尚不能判断收益大小及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 表征学习参考的是“用已知变换约束表征一致性”的思想，而非直接移植眼球模型。其在原任务中依赖图像、二维边缘监督及可定义的三维旋转关系；EEG 的跨被试、跨通道变化并不天然等价于此类旋转。若探索迁移，需替换眼球重建模块，重新定义保持任务标签的信号变换及一致性目标，并防止低信噪比、小数据条件下的不当约束抹去任务相关信息。一个可检验的小实验是在固定跨被试划分下，对比同一 EEG 编码器加入与不加入候选一致性约束的效果，并核查该变换是否保持标签语义。相关 EEG 工作尚未检索确认。