RepVF：面向多任务 3D 感知的统一向量场表示

基于摘要分析。本文研究自动驾驶中同一时空场景下多种 3D 感知任务的联合处理，提出统一向量场表示 RepVF，并据此构建 RFTR 网络，将 3D object detection 与 3D lane detection 等任务纳入单头多任务框架。主要贡献是从输出表示层面统一不同目标的结构，而非仅让多个任务共享特征提取模块。 机制上，RepVF 用向量场刻画场景中不同目标的结构；RFTR 通过分层 queries 隐式建模任务间及任务内关系。作者称该设计无需任务专用预测头与参数，可减少传统多任务学习中的计算冗余和特征竞争。向量场的具体参数化、query 层级组织、损失函数及训练与推理流程尚未验证，不能仅凭摘要判断任务冲突是否得到充分缓解。 验证方面，作者报告结合 OpenLane 与 Waymo Open dataset 的标签评估该方法，并称其改善了多任务感知的效率与效果。摘要未提供数值指标、对照基线或数据划分；标签如何组合、场景如何对应、效率测量条件、消融及统计信息尚未验证。摘要称代码将公开，当前材料不能确认其已发布或具备完整复现条件。 平台推测（待验证）：统一输出表示与分层 queries 可能为 EEG 多任务建模提供设计参考，但原方法依赖具有空间结构的 3D 目标及相应标签，不能直接等同于 EEG 表征学习。假设在同一 EEG 数据上存在可共同编码的多任务标签，可复用共享预测头与任务关系建模思路，但需重新设计信号编码器、输出表示及损失。低信噪比、跨被试差异、通道变化和小数据条件可能使共享表示加剧负迁移。一个可证伪的小实验是在固定跨被试划分、共享编码器与相近参数预算下，对比独立任务头与统一预测头，检查各任务性能及推理开销是否同时改善。已有 EEG 相关工作尚未检索确认。