面向单目 4D 重建的因果时空状态演化

基于摘要分析。本文研究单目视频中的动态 4D 场景重建，提出前馈式视觉几何学习框架，以定向状态传播建模场景随时间的演化，并用几何与运动耦合的监督约束帧间状态转移；主要研究对象是视觉几何，而非 EEG 或 BCI。 核心模块 Causal Spatiotemporal Mamba（CSM）采用互补的 Temporal-Spatial 与 Spatial-Temporal Scans，在视频帧之间传播几何感知状态。作者针对无序时间聚合难以体现时间方向的问题引入该机制；这里的“因果”指沿时间方向的状态演化，不应理解为因果效应识别。Unified Motion Supervision（UMS）利用相机与深度预测头的几何感知输出，构造与底层 3D 结构一致的统一前向运动场，从而联合约束运动、几何及帧间状态转移，而不是将运动作为独立目标。 作者报告，在动态场景基准上的视频深度、相机位姿及光流估计中达到最先进表现，并减少时间漂移、增强时空一致性。摘要未列出基准名称、划分、对照方法或定量指标，故尚不能核对优势幅度；训练规模、损失具体形式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，定向状态传播可能为 EEG 的时间依赖建模提供参考，而非直接复用视觉几何监督。可复用的是状态传播与时空扫描思路；需将图像空间结构改造为电极拓扑，并重新定义适合神经信号的监督约束。原方法依赖单目视频中的几何—运动关系，EEG 并不存在可直接对应的相机、深度及运动场；低信噪比、通道差异和小样本条件也可能使状态误差累积。一个可证伪的小实验是在固定 EEG 任务与跨被试划分下，对照定向扫描和无序时间聚合，保持输入、训练预算及预测头一致，检验时间方向机制是否带来稳定收益。已有 EEG 相关工作尚未检索确认。