Masked Scene Contrast：面向无监督 3D 表征学习的可扩展框架

基于摘要分析。本文研究无监督 3D 表征学习中的视图匹配效率与模式坍塌问题，提出 Masked Scene Contrast（MSC），在场景级点云上构造对比视图，并将对比学习与掩码重建结合，以支持更高效、可扩展的 3D 预训练；原始研究对象并非 EEG 或 BCI。 机制上，MSC 不再依赖原始 RGB-D 帧之间的匹配来生成对比视图，而是通过数据增强流程和视图混合策略直接处理场景级点云。在此基础上，作者引入 contrastive cross masks，以点颜色和 surfel normal（面元法向量）为重建目标，将几何与外观信息的重建监督纳入对比学习框架。具体掩码构造、损失形式及权重尚未验证。 作者报告，相较既有工作，MSC 的预训练过程至少加速 3 倍，同时保持性能；摘要未给出该比较的硬件、数据规模及具体基线配置，因此不能将此加速直接推广到其他条件。作者还报告，跨多个数据集进行大规模 3D 预训练可进一步改善下游微调结果，其中 ScanNet 语义分割验证集达到 75.5% mIoU；其余任务、数据划分、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法设计借鉴的是“对比视图构造与掩码重建联合训练”，而非点云颜色或法向量目标。假设其能改善 EEG 表征，可保留联合训练思路，但需将输入、增强和重建目标改造成适合多通道时间序列的形式。点云空间结构与 EEG 通道—时间结构并不等价，低信噪比、跨被试差异、通道变化和小数据规模可能使增强破坏任务信息，或使重建偏向噪声。一个可检验的小实验是在固定数据及按被试隔离的划分下，比较仅对比学习与加入掩码重建的版本，并保持编码器和训练预算一致。该假设不代表 MSC 已取得 EEG 效果，已有 EEG 相关工作尚未检索确认。