Manhattan Frame 模型——在表面法向量空间中进行 Manhattan World 推断

基于摘要分析。本文研究人造环境中平行与正交平面的几何组织，提出在表面法向量所在的单位球面上建立 Manhattan Frame（MF）概率模型，并扩展为 Manhattan Frames 混合模型（MMF），以描述无法由单一坐标系统一解释的复杂场景。 传统 Manhattan World（MW）假设要求每个平面都垂直于同一坐标系的某个轴。本文的建模依据是：这些几何规律在表面法向量分布中表现为相互正交耦合的簇。针对单个 MF，作者提出最大后验（MAP）推断算法；针对全局场景中的多个 MF，则使用概率混合模型表达多组局部正交结构。 MMF 的推断包括一个 MAP 算法，以及带有 Metropolis-Hastings 分裂／合并操作的自适应 Markov-Chain Monte-Carlo（MCMC）采样算法，用于推断未知的混合成分数量。这里的状态与约束对应三维几何方向和正交结构，不能仅凭来源分类将其理解为面向神经信号序列的状态空间模型。 作者报告单 MF 的 MAP 推断可实时运行，并评估了其性能及在无漂移旋转估计中的应用；作者还报告在不同尺度的人造环境中展示了 MMF 模型及推断算法的适用性。摘要未提供数据集、运行硬件、耗时、误差指标或对照结果，具体实验协议、消融及统计信息尚未验证。 该方法依赖单位球面上的表面法向量及其正交耦合结构，而非 EEG 时序或神经活动观测。材料未给出这些几何假设与 EEG/BCI 问题的具体对应关系，因此不据此提出迁移效果或复现实验建议。复现原研究仍需核对全文中的概率分布、先验、MAP 优化步骤、分裂／合并提议与采样设置，以及表面法向量的获取方式；实现与代码可用性尚未验证。