Radar Fields：面向 FMCW 雷达的频率空间神经场景表示

Radar Fields 针对户外场景中雷达神经重建研究相对不足的问题，提出面向主动雷达成像的神经场景表示，将物理传感模型与隐式几何、反射率模型结合，用于合成原始雷达测量并提取场景占据情况。基于摘要分析，未取得论文全文。 核心机制是不依赖体渲染，而是在 Fourier 频率空间中学习场，并直接使用原始雷达数据监督。显式、物理知情的传感模型负责连接场景表示与测量过程，隐式神经模型则表示几何与反射率；具体网络结构、损失函数、采样方式和优化流程尚未验证。研究对象是 FMCW 雷达的室外场景重建，而非 EEG 解码或 BCI，也不能仅依据来源栏目将其归为状态空间模型方法。 作者报告在多种户外场景中验证了方法有效性，包括车辆与基础设施密集的城市场景，以及适合毫米波感知的恶劣天气场景。摘要未提供数据集名称、数据划分、定量指标或对照基线，因此无法判断相对于其他重建方法的增益；实验协议、消融及统计信息尚未验证，代码与复现条件亦未确认。 平台推测（待验证）：可借鉴的机制是将可微物理前向模型与隐式场联合优化，而不是直接移用雷达重建网络。若迁移至 EEG 源成像，需将雷达传感模型替换为头部导电模型与电极导联场，并重定义待估计的源活动及监督目标；雷达的几何、反射率表示不能直接等同于脑电源。低信噪比、有限通道及跨被试头部模型差异可能加剧逆问题的不适定性。一个可证伪的小实验是在已知导联场的模拟 EEG 上，以相同观测和噪声条件比较物理约束隐式表示与传统正则化源重建的定位误差及噪声敏感性。该假设不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。