UniLight：统一的光照表示

基于摘要分析。该研究针对图像光照表示之间不兼容、限制跨模态迁移的问题，提出 UniLight，将文本、图像、辐照度和环境贴图映射到共享潜在空间，支持不同模态之间的光照信息检索、生成与控制。 核心机制是为各模态设置专用编码器，通过对比学习对齐其表示，并加入球谐预测辅助任务，以强化表示对光照方向的理解。作者还构建了用于大规模训练与评估的多模态数据流程，但摘要未提供数据来源、规模、配对方式及具体损失形式。 评估覆盖基于光照的检索、环境贴图生成，以及扩散式图像合成中的光照控制。作者报告，该表示能够捕获一致且可迁移的光照特征，并支持跨模态操作；摘要未给出量化指标、数据划分或对照结果，实验协议、消融及统计信息尚未验证。 原论文的主要对象是视觉光照表示，而非神经信号。平台推测（待验证）：共享潜在空间与领域结构辅助任务的组合，可为 EEG 与配对刺激或任务描述的表示对齐提供方法参考，但这依赖可靠的跨模态配对与监督。可借鉴模态专用编码器及对比对齐框架；光照专用的球谐预测任务则需替换为与神经信号任务相关的约束。EEG 低信噪比、跨被试差异、通道配置变化及小样本可能导致对齐失效，或使模型依赖非目标线索。一个可证伪的小实验是在固定 Cross-subject 划分的配对 EEG—刺激数据上，对照仅对比对齐与加入任务相关辅助约束的方案，检验检索表现是否稳定改善；这属于迁移假设，并非论文已验证结果。已有 EEG 相关工作尚未检索确认。