面向三维表面重建的双重层次表示学习

基于摘要分析。本文研究从离散体素重建三维形状或表面时，神经隐式表示面临的计算复杂度问题，提出 Dual Hierarchical Representation（DHR），通过层次化编码、解码与训练，在受限计算条件下实现高保真重建。 机制上，DHR 先将稀疏体素化形状编码为多尺度特征网格，再依据查询点对各尺度网格进行采样，形成层次化潜在特征编码集合。Transformer 解码器按层次顺序引入这些编码，借助 cross-attention 建模潜在特征与占据状态之间的交互，并引导特征向三维空间的映射。训练时，来自各特征层次的表示以不同贡献进行整合，构成另一种由全局到局部的学习过程；具体损失函数、贡献权重及训练调度尚未验证。 作者报告，DHR 在体素重建任务中优于多种基线，并对不同形状类别表现出鲁棒性；作者还将其泛化能力视为面向真实场景应用的潜力。摘要未提供数据集、划分方式、指标数值、计算预算及基线配置，因此尚不能量化重建质量与计算开销的权衡，也不能将上述结果扩展为真实场景有效性的验证。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 本文的主要研究对象是三维几何重建，而非 EEG 或 BCI。其多尺度网格采样依赖空间查询点与体素几何结构，材料未建立其与 EEG 解码瓶颈的具体对应关系，因此不据此推断 BCI 收益；相关 EEG 工作尚未检索确认。