Squeeze3D：通过潜空间桥接实现极高压缩率的神经压缩

基于摘要分析。Squeeze3D 面向 mesh、point cloud 和 radiance field 等 3D 资产的高压缩率表示，通过可训练映射网络连接预训练编码器与生成模型解码器的潜空间，利用已有模型的隐式先验完成压缩与重建。 核心流程是：预训练编码器先将 3D 资产编码，映射网络再将其转换为紧凑潜码；解压时，另一映射网络把紧凑潜码转换到生成模型的潜空间，由其解码器重建资产。作者称，该框架完全使用生成的合成数据训练，不需要 3D 数据集，并可搭配不同的现有预训练 3D 编码器和生成模型。这并不说明上游预训练模型不依赖 3D 数据，其训练来源与成本仍需核对。 作者报告，在摘要未披露具体数据集、数据划分及对照方法的实验中，带纹理 mesh 的压缩率最高为 2187 倍，point cloud 为 58.5 倍，radiance field 超过 650 倍，同时视觉质量可与多种现有方法相比。上述数值对应不同表示格式，不能据此直接比较各格式的压缩性能。作者还称，由于不需要为每个对象训练专属网络，压缩与解压延迟较小，但摘要未给出延迟数值或硬件条件。 复现时需核对压缩率的原始表示与计费口径、共享编码器和解码器权重是否计入存储成本，以及重建质量指标、测试资产与合成训练分布的关系。具体模型、潜码大小、损失函数、实验协议、消融及统计信息尚未验证。该工作主要研究 3D 资产压缩，摘要未提供 EEG/BCI 实验，也未建立视觉重建与神经信号任务信息保留之间的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。