NeuroGF：用于快速测地距离与路径查询的神经表示

基于摘要分析。本文研究三维几何处理中的测地距离与路径查询，提出神经测地场 NeuroGF，以隐式学习框架编码给定三维网格上所有点对的测地信息，旨在高效回答任意点对的距离与路径查询。其主要研究对象是三维网格与形状表示，而非 EEG 或 BCI 解码。 核心机制是将测地信息纳入可学习的神经隐式表示，而不是仅表示三维几何；摘要还提出在统一表示中联合编码几何与测地信息。学习方式从针对单个模型的过拟合扩展至可泛化框架，并支持非结构化点云等输入格式。具体网络结构、监督信号来源、损失函数、路径生成过程及训练成本尚未验证。 作者报告，在常见三维物体模型和真实采集的场景级网格上，NeuroGF 在表示精度与查询效率方面表现良好；作者还报告，其可泛化框架在未见形状及类别上取得良好表现。摘要未提供数据集名称、划分方式、对照基线或定量指标，因此无法判断精度与速度的具体权衡，也无法比较单模型拟合与泛化设置下的表现。实验协议、消融及统计信息尚未验证。作者提供了代码与数据链接，但实现内容及复现条件尚未核验。 现有材料未建立三维表面测地查询与 EEG/BCI 任务之间的具体机制对应关系，因此不将其改写为神经信号算法贡献，也不据此提出迁移复现实验。已有 EEG 相关工作尚未检索确认。