CUBE360：面向虚拟现实单目360°深度估计的立方体场表示学习

基于摘要分析。该研究针对虚拟现实中全景图像的单目深度估计，提出CUBE360：从单张全景图像学习由多个MPI（多平面图像表示）组成的立方体场，以支持任意视向的连续深度估计。主要研究对象是视觉场景的几何表示与渲染，而非脑信号或BCI解码。 方法首先通过cubemap projection，将等距柱状投影（ERP）全景图像转换为六个立方体面，并分别提取MPI。作者提出，这样可以降低高分辨率MPI处理的显存需求，并避免直接处理ERP像素分布不均所带来的计算复杂性。随后，基于注意力的融合模块学习各立方体面MPI之间的关联，构建包含不同深度层颜色与密度信息的立方体场；配套采样策略在立方体与平面两个尺度上进行新视角渲染。摘要未提供MPI层数、注意力结构或具体采样公式。 训练采用渲染视图上的光度损失进行自监督学习，可使用不带深度标注的360视频。这里需要区分单张全景图像输入与视频提供训练监督的角色；具体帧间关系、相机参数需求、遮挡处理及损失形式尚未验证。 作者报告，在合成与真实数据集上，CUBE360的表现优于此前的自监督学习方法，并展示了VR漫游与视觉特效应用。但摘要未列出数据集名称、划分、对照方法、评价指标或数值，因此无法判断收益幅度与适用范围；实验协议、消融及统计信息尚未验证。其与EEG/BCI之间尚无材料支持的具体机制对应关系，不据此提出跨领域迁移或复现实验建议。