用于三维纹理表面分割的无监督双 Transformer 学习

基于摘要分析。本文研究三维网格表面的无监督纹理分割，将表面划分为有纹理与无纹理区域，核心贡献是由标签生成器（LG）和标签清理器（LC）组成的双 Transformer 互学习框架，无需预先标注即可进行二分类表面分割。 原问题中的三维纹理指独立于表面整体形状、在局部重复出现的表面变化，可通过局部邻域及其特征描述。方法以网格面片的几何图像表示为输入，由 LG 与 LC 在迭代互学习过程中判别纹理与非纹理。摘要未交代几何图像的构造、两个模型之间的标签更新规则、损失函数或防止错误标签累积的机制，这些细节尚未验证。 作者报告，在三个具有多样纹理模式的公开数据集上，该框架优于所比较的常规及先进无监督方法，与监督方法相比也具有一定竞争力。摘要未提供数据集名称、划分协议、对照方法名称、评价指标和具体数值，因此不能据此量化优势；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是三维表面几何纹理，而非 EEG 或 BCI。其输入依赖网格面片和局部几何邻域，摘要未给出与 EEG 时序、通道结构或任务监督之间的具体对应关系，因此不将双模型互学习直接视为已验证的 BCI 方法，也不据此提出迁移实验。已有 EEG 相关工作尚未检索确认。复现原任务需进一步取得全文，核对几何表示、互学习流程、数据划分及实现可用性。