使用 Epanechnikov 混合回归的隐式曲面表示

基于摘要分析。本文研究几何曲面的隐式表示，提出基于 Epanechnikov kernel（EK）的 mixture-of-experts 回归框架，不依赖神经网络，旨在兼顾曲面重建、上采样和数据压缩。 方法以 signed distance fields（SDF，符号距离场）为表示基础，通过 expectation-maximization（EM，期望最大化）算法迭代估计 Epanechnikov 混合回归的参数，并利用 mixture-of-experts 插值进行上采样。其核心机制是用核混合回归表示距离场，而非训练神经网络；摘要未给出核分量数量、初始化、参数约束或具体优化目标。 作者报告，该流程相较作为对照的 SDF 本身可获得更好的重建，并可在不增加额外参数和处理的条件下通过插值上采样；相较网格与 SDF，作者报告其具有数据压缩优势。在核函数对照中，作者报告 EK 比 Gaussian 核实现更准确的曲面恢复，并据此提出其替代部分 Gaussian 建模与表示方法的潜力。摘要未提供数据集、采样与划分协议、误差指标、压缩率或计算开销，因此无法判断这些优势的适用范围，“无额外处理”的具体含义也需正文核对。实验协议、消融及统计信息尚未验证。 论文的主要对象是几何曲面与距离场，并非 EEG 解码或 BCI。现有材料不足以建立该表示机制与 EEG 瓶颈之间的具体对应关系，不能据此推断其在神经信号上的有效性；已有 EEG 相关工作尚未检索确认。