BridgeMatch：用于三维可变形配准的匹配矩阵空间条件传输桥

基于摘要分析。BridgeMatch 研究部分可观测、发生形变的点云之间的匹配与非刚性配准，将匹配矩阵本身作为演化状态，通过粗尺度扩散、保持层级结构的提升及几何条件传输桥，联合利用全局匹配上下文与细粒度几何信息。 其针对的问题是：粗尺度候选筛选可能提前排除正确的细粒度对应关系。方法先由粗尺度扩散建立全局匹配假设，再通过保持层级结构的提升将其扩展为结构化的高分辨率起始状态；随后，几何条件 ODE 与 SDE 桥在完整细粒度候选空间内继续细化，使粗尺度错误仍有被纠正的机会。摘要将确定性路径描述为采用端点参数化的 conditional flow matching（CFM），并强调 SDE 前向漂移支持少步细化；具体条件信息、损失形式、训练监督与求解器尚未验证。 作者报告，在 4DMatch 与 4DLoMatch 上取得具有竞争力的匹配及非刚性配准表现，并可在不进行目标域训练的情况下迁移到 CAPE 与 DeepDeform。摘要未提供具体指标、数值、划分和对照基线，因而不能据此判断改进幅度，或将目标域免训练迁移等同于任意数据上的泛化。 复现时需核对层级提升是否保留正确对应关系、完整细粒度候选空间的计算与存储开销，以及 CFM 迭代和 SDE 少步细化各自的精度—成本权衡；实验协议、消融及统计信息尚未验证。本研究的主要对象是三维点云，而非 EEG 或 BCI；当前材料没有建立到神经信号任务的具体对应关系，不据此推断 BCI 有效性。