CANDI：用于神经影像数据的连续摊销式隐式神经表示

基于摘要分析。CANDI 面向神经影像连续时空场建模，旨在突破体素网格和固定电极布局的离散采样约束，并缓解传统隐式神经表示（INR）需逐实例拟合、测试时优化成本高及表示难以跨被试迁移的问题。其核心贡献是构建可融入模态特定观测几何与归纳偏置的连续场表示框架，实现跨被试的摊销式 INR 推断。 机制上，CANDI 使用选择性状态空间骨干，以线性时间编码长时空上下文；针对头皮表面观测，引入受球面样条插值底层微分算子启发的球谐位置编码，用于表达二维头皮流形上连续场的内在几何与平滑性。这里的神经表示用于信号场建模，不能据此视为已验证的 BCI 解码方法。 作者报告，在 4D fMRI 时空重建中，CANDI 优于现有摊销式 INR 基线；在 EEG 未见电极位置空间查询中，相较经典球面样条取得更好表现，评估包括未见电极占比最高达 87.5% 的留出设置。该比例描述留出电极条件，并非性能提升幅度，也不等于跨被试测试比例。作者还报告，其表示与重建保有较强的下游任务效用，但摘要未给出任务名称、指标或具体数值。 复现时需核对电极坐标与球面映射方式、可见与留出电极的划分、训练和测试被试关系、观测输入与查询输出的定义，以及对照方法的输入条件和计算成本。数据集、被试数、损失函数、下游任务设置、消融及统计信息尚未验证，因此目前不能量化其跨被试泛化收益，也不能将空间重建优势直接推及 BCI 任务表现。