具有持久状态的连续三维感知模型

基于摘要分析。该研究面向图像流中的连续三维感知，提出统一的在线有状态循环模型，通过随新观测持续更新的状态表示，为每个输入生成具有度量尺度的点图（pointmaps），并在共同坐标系中累积为一致的三维场景重建。 核心机制是将历史观测的信息保存在持续演化的状态中，而非仅对单幅图像独立预测。作者还提出通过 raymap probe 查询状态，推断输入图像覆盖范围之外的未观测结构，体现模型所学习的真实场景先验。摘要称该框架可接受不同长度的图像序列，同时处理视频流与无序照片集合；但状态的具体表示、更新规则、顺序敏感性、训练监督与损失形式尚未验证，不能仅凭来源栏目将其认定为某种具体 State Space Model 架构。 作者报告，在单目/视频深度估计、相机估计、多视图重建等三维/四维任务上取得有竞争力或最先进的性能，并展示了状态表示带来的其他行为。摘要未给出数据集、划分、指标数值及对照方法，因此这些性能结论只能保留为作者报告；实验协议、消融及统计信息尚未验证。复现时需核对度量尺度的监督来源、共同坐标系的建立方式、状态维护成本，以及未观测结构预测的评估方式。 平台推测（待验证）：其持续状态更新机制可能为 EEG 连续流的历史上下文建模提供参考，但这只是假设。原方法依赖图像与三维几何结构，训练监督和规模尚未明确；若迁移，需要保留状态更新思路，同时改造输入编码与任务输出，不能直接复用三维点图及 raymap 查询。EEG 的低信噪比、跨被试差异、通道变化和小数据条件可能使状态累积噪声或过时信息。一个可检验的小实验是在固定被试内划分、相同编码器和训练预算下，比较持续状态、定期重置状态与无状态窗口模型，核对状态是否改善目标任务指标及是否产生历史误差累积。已有 EEG 相关工作尚未检索确认。