Compress3D：用于单图像 3D 生成的压缩潜在空间

基于摘要分析。Compress3D 面向从单张图像高效生成高质量 3D 资产的问题，提出三平面自编码器，将 3D 模型的几何与纹理压缩到紧凑的三平面潜在空间，并在该空间中训练扩散模型。 核心机制是 3D 感知交叉注意力：利用低分辨率潜在表示查询高分辨率 3D 特征体，以增强压缩潜在空间的表示能力。在生成条件设计上，方法不只使用图像嵌入，而是同时使用图像嵌入与形状嵌入；其中，形状嵌入由以图像嵌入为条件的扩散先验模型估计。其技术关注点因此包括几何与纹理的联合压缩，以及图像条件之外的显式形状条件建模。 作者报告，该方法在所开展的实验中优于所比较的前沿算法，同时需要更少的训练数据与训练时间；作者还报告，在单张 A100 GPU 上生成 3D 资产耗时仅 7 秒。摘要未提供数据集、划分、基线名称、质量指标及计时范围，因此上述优势的具体适用条件，以及实验协议、消融及统计信息尚未验证。材料提供了项目展示页，但代码、权重及完整复现条件尚未验证。 该研究的主要对象是图像条件下的 3D 资产生成，并非 EEG 表征或 BCI 解码。其方法依赖 3D 模型、三平面表示与高分辨率 3D 特征体，当前材料未建立这些结构与神经信号任务之间的具体对应关系，因此不提出 EEG 迁移方案；相关 EEG 工作尚未检索确认。