Compress3D：用于单图像三维生成的压缩潜空间

基于摘要分析。Compress3D 研究如何从单张图像高效生成高质量三维资产，核心贡献是用 triplane 自编码器压缩三维几何与纹理，并在压缩潜空间中训练条件扩散模型。 方法包含两个关键设计：一是引入具有三维感知能力的交叉注意力，让低分辨率潜表示查询高分辨率三维特征体，以增强压缩潜空间的表示能力；二是同时使用 image embedding 与 shape embedding 作为生成条件，其中 shape embedding 由以 image embedding 为条件的 diffusion prior 模型估计。其原始研究对象是三维资产生成，而非 EEG 信号建模或 BCI 解码。 作者报告，该方法在所开展的实验中优于当前先进算法，并需要更少的训练数据与训练时间；作者还报告，在单张 A100 GPU 上生成三维资产耗时仅 7 秒。摘要未提供数据集、划分方式、对照算法、质量指标或计时覆盖范围，因此这些结论目前无法定量核对，实验协议、消融及统计信息尚未验证。 复现时应重点核对 triplane 的编码与解码方式、三维特征体的构建、交叉注意力实现、shape embedding 的监督来源，以及 diffusion prior 与生成模型的训练和推理开销。摘要未给出可核实的 EEG/BCI 对应机制，不能将三维生成中的压缩与条件建模优势视为已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。