I²MD：基于模态间与模态内相互蒸馏的 3D 动作表征学习

基于摘要分析。该研究面向基于骨架的自监督 3D 人体动作表征学习，针对不同骨架模态间互补信息利用不足，以及动作类别有限时相似实例对对比学习造成干扰的问题，提出 Inter- and Intra-Modal Mutual Distillation（I²MD）框架，结合模态间与模态内相互蒸馏。 模态间部分采用 cross-modal mutual distillation（CMD）：不同于由预训练且固定的教师向学生传递知识，各模态在预训练期间持续更新知识并进行双向蒸馏。模态内部分采用 intra-modal mutual distillation（IMD），通过 dynamic neighbors aggregation（DNA）在每个模态中增加簇级判别分支，自适应聚合高度相关的邻近特征，形成局部簇级对比，再在两个分支之间相互蒸馏以交换不同层级的知识。摘要未给出具体骨架模态、损失形式、邻域选择规则或训练配置。 作者报告在三个数据集上的广泛实验取得了一系列新纪录，但摘要未提供数据集名称、评估划分、指标数值及对照方法，因而无法核对优势幅度或比较不同协议下的表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的不同视图能够提供互补且与任务相关的信息，CMD 的双向知识交换与 DNA 的邻域聚合可能用于缓解视图信息利用不足和相似实例干扰；这是迁移假设，并非已验证的 BCI 效果。可复用的是相互蒸馏与实例级、簇级知识交换思路，需改造 EEG 编码器、视图构造和邻域选择。低信噪比、被试差异、通道差异及小数据可能使邻域按噪声或被试身份聚集。一个可检验的小实验是在固定 EEG 数据划分与编码器下，对比普通对比学习、加入 CMD、再加入 IMD 的结果，并检查邻域的任务标签与被试组成；已有 EEG 相关工作尚未检索确认。