VR3D：面向空地行人重识别的视角鲁棒三维表征学习

基于摘要分析。该研究针对空地行人重识别中的跨平台视角变化、遮挡与几何形变，提出 VR3D，将二维图像特征映射到统一三维坐标空间，以降低身份表征与视角偏差的耦合；其主要研究对象是视觉身份匹配，而非 EEG 或 BCI。 核心机制包括 View-Robust 3D Representation Interaction（VR3I）：利用从单幅二维观测提取的三维先验，将二维外观特征提升至规范化三维空间。其中，3D Geometry-Semantic Attention 根据三维空间位置，建立对应身体部位的二维图像块与三维体素之间的交互。Reliability-Aware Fusion 则针对视角变化与三维重建误差导致的样本间可靠性差异，估计样本级可靠性并自适应融合多来源表征。摘要未披露三维先验的具体提取方式、可靠性监督、损失函数及训练流程。 作者报告，在 CARGO、AG-ReID.v1 和 AG-ReID.v2 三个基准上的实验优于近期方法，其中 CARGO 的 Rank-1 提升为 5.63%。摘要未说明该数值是相对增幅还是百分点差，也未明确对应基线与数据划分，因此不宜进一步换算或跨协议比较。实验协议、消融及统计信息尚未验证；代码仅表述为计划发布。 平台推测（待验证）：可考察的跨领域机制是“统一空间中的对应关系建模”与“按样本可靠性融合”，而非直接复用人体三维重建。若用于跨被试 EEG，需将身体部位及体素对应改为电极位置或脑区对应，并重新设计可靠性估计；低信噪比、通道缺失、定位误差和小样本可能使对应关系失真，可靠性权重也可能受伪迹误导。一个可证伪的小实验是在固定 Cross-subject 划分及相同骨干下，对比无空间对齐、空间对齐、空间对齐加可靠性融合，并在受控通道缺失条件下检验增益。上述迁移依赖可用的通道空间信息，已有 EEG 相关工作尚未检索确认。