从视频中学习有效几何表征以实现自监督单目深度估计

基于摘要分析。本文研究自监督单目深度估计中如何从单目视频学习有助于任务的潜在几何表征，在深度与位姿联合优化框架下，提出任务间关联建模与长程时空上下文建模两种机制。研究对象是视觉几何估计，不是 EEG 解码或 BCI。 摘要指出，既有方法主要通过光度损失联合优化深度与位姿估计。本文提出 Inter-task Attention Model（IAM），学习深度与位姿学习网络之间的几何关联表征，使结构信息与运动信息相互促进；同时提出 Spatial-Temporal Memory Module（STMM），利用连续视频帧之间的长程空间与时间几何上下文。摘要未提供注意力计算、记忆更新方式、具体损失形式或训练细节，这些内容尚未验证。 作者报告已开展系统性消融研究以检验各组件，并在 KITTI 评估中优于当时的最先进方法；摘要未给出具体指标、数值、数据划分及对照方法，因此尚不能核对优势幅度或比较条件。完整实验协议、消融结果及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在可互补的预测目标，IAM 的跨任务交互思路可能用于检验共享信息是否有助于解码，STMM 的时序记忆思路也可作为候选机制；但原方法依赖视频连续帧及深度—位姿几何关系，不能直接等同于 EEG 的通道—时间结构。假设进行迁移，需要重新定义任务关系、通道表征与记忆更新，并防范低信噪比、跨被试差异及小数据条件下的负迁移。可先在固定的被试内数据划分和相同骨干下，对比单任务、普通多任务与任务间注意力，检验交互机制是否带来稳定增益；这只是待验证假设，不是本文已证实的结果。已有 EEG 相关工作尚未检索确认。