COMiT：通过顺序通信学习结构化视觉 token

基于摘要分析。COMiT 针对离散图像 tokenizer 偏重局部外观、难以形成对象级结构的问题，提出受通信机制启发的结构化视觉表示学习框架，通过顺序观察局部图像并反复更新固定长度的离散消息，支持完整图像重建与结构化表征学习。 核心机制是让 transformer 在每一步处理一个局部图像裁剪，并更新、细化和重组已有 token 序列；多次迭代后的消息作为 flow-matching 解码器的条件，用于重建完整图像。编码器与解码器在同一个 transformer 内实现，以 flow-matching 重建目标和语义表示对齐目标进行端到端训练。摘要未给出消息长度、裁剪策略、迭代次数、语义对齐目标的具体形式或监督来源。 作者报告，相较既有方法，COMiT 改善了组合泛化与关系推理；作者还报告，语义对齐有助于表征获得语义锚定，而注意力驱动的顺序 token 化对于形成更可解释、以对象为中心的 token 结构至关重要。具体数据集、对照基线、量化指标、实验协议、消融及统计信息尚未验证，因此目前不能判断提升幅度及其适用范围。 平台推测（待验证）：若局部观察与反复修订消息的机制可用于多通道时序信号，它可能为 EEG 中跨时间窗、跨通道的信息整合提供思路，但视觉对象结构不等同于 EEG 的生理来源。可考虑复用固定长度消息及顺序更新机制，需改造局部观察的定义、时序位置编码与语义对齐目标；低信噪比、通道差异、跨被试变化及小数据可能使消息编码伪迹而非任务信息。一个可检验的小实验是在同一 EEG 数据划分下，控制消息长度与训练预算，对比一次性 token 化和顺序更新时间窗 token 的方案，并分别报告被试内与跨被试结果。该假设不构成已证实的 BCI 效果，相关 EEG 工作尚未检索确认。