Uni3D：探索大规模统一三维表示

基于摘要分析。该研究面向三维物体与场景的可扩展表示学习，提出三维基础模型 Uni3D：以二维预训练 ViT 初始化，通过端到端预训练，将三维点云特征与已对齐的图像—文本特征对齐，从而复用二维模型的初始化资源及图文模型提供的目标表示。 核心机制是把二维预训练知识迁入三维表示空间，而非直接提出 EEG 或 BCI 方法。摘要强调架构与预训练任务的简洁性，以及利用既有二维模型资源进行规模扩展的可能性；点云输入编码方式、特征对齐损失、训练数据结构与监督配对条件尚未验证。 作者报告将 Uni3D 扩展至十亿参数，并在零样本分类、少样本分类、开放世界理解和零样本部件分割等三维任务上取得新纪录，同时展示三维绘画与真实场景检索应用。摘要未提供对应数据集、数据划分、对照基线及具体指标，因此无法据此判断各任务的提升幅度或规模扩展的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究参考的是“复用成熟模态的初始化，并向语义对齐空间学习”的机制，而不是三维任务成绩本身。迁移假设依赖 EEG 与刺激图像或文本语义之间可用的配对监督；需要替换点云输入模块并适配 EEG 的时间、通道结构。低信噪比、跨被试差异和小样本条件可能使语义对齐失效或放大过拟合。一个小规模可证伪实验是在固定 EEG 编码器、配对数据和跨被试划分下，对比有无图文特征对齐监督的刺激类别解码表现，以检验该机制是否提供额外收益。相关 EEG 工作尚未检索确认。