通过 Dual Denoising 从 CLIP 学习鲁棒的 3D 表征

基于摘要分析。本文研究如何从预训练视觉语言模型 CLIP 学习鲁棒且泛化良好的 3D 表征，提出 Dual Denoising，将去噪代理任务与特征去噪网络用于 3D 预训练，并通过 parallel noise inference 改善跨域点云特征的泛化。 研究针对的原始问题是：跨模态蒸馏能够向 3D 网络传递知识，但所得网络仍易受对抗攻击，尤其是迭代攻击。其方法同时涉及代理任务与特征层面的去噪，并在推理阶段引入并行噪声处理。摘要未说明噪声分布、代理任务目标、特征去噪结构、损失函数，以及 CLIP 知识与点云特征的具体对齐方式。 作者报告，在零样本设置且不进行对抗训练的前提下，该方法能够改善 3D 网络的表征学习表现与对抗鲁棒性。摘要未提供数据集、划分、攻击类型及强度、对照基线或具体指标，因此无法量化收益，也无法判断不同跨域条件下的稳定性；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现与复现条件尚未核验。 平台推测（待验证）：任务与特征层面的去噪可能为 EEG 噪声鲁棒表征提供方法线索，但原研究依赖 CLIP 的视觉语言知识与 3D 点云结构，并非 EEG 验证。迁移假设需重新定义 EEG 时序输入、噪声模型与教师监督，不能直接沿用点云处理模块；低信噪比下可能误删任务相关成分，小数据和跨被试分布差异也可能削弱收益。可在固定的 Cross-subject 划分下，以同一 EEG 编码器比较无去噪、单项去噪和双重去噪，分别检查干净信号与预先定义扰动下的表现，以检验去噪是否改善鲁棒性而不损害有效信息。相关 EEG 工作尚未检索确认。