基于异构动态图表示的跨模态 3D 形状检索

基于摘要分析。本文研究跨模态 3D 形状检索，提出 Heterogeneous Dynamic Graph Representation（HDGR）网络，通过不同 3D 对象之间的上下文关系增强实例表示，以缓解单模态特征提取瓶颈及模态差异；研究对象并非 EEG 或 BCI。 机制上，HDGR 随 mini-batch 的变化构建动态图，捕获邻近对象间的模态内关系，并用动态二部图表示隐式跨模态关系。随后分别通过 Dynamic Graph Convolution（DGConv）和 Dynamic Bipartite Graph Convolution（DBConv）进行消息传递与聚合，再对模态内、跨模态及自变换特征进行重新分配和融合，形成异构动态表示。其核心思路是让检索特征依赖对象间关系，而不只依赖孤立实例；具体邻接规则、监督要求、损失形式及推理阶段如何取得上下文尚未验证。 作者报告，在 ModelNet10、ModelNet40 和真实世界 ABO 数据集的跨模态及模态内检索任务中，HDGR 达到其所比较方法中的最先进表现；另在 3D MNIST 的标签噪声条件下，结合鲁棒损失取得良好的跨模态检索表现。摘要未提供具体指标、数据划分、对照基线、噪声比例或计算开销，实验协议、消融及统计信息尚未验证，不能据此量化提升或独立确认效率优势。 平台推测（待验证）：若具有配对或可对齐的 EEG 与另一模态样本，动态模态内图和跨模态二部图可能为跨模态表示对齐提供候选机制。可复用的是关系建模与消息传递模块，需改造各模态编码器、相似度定义及批采样方式。EEG 低信噪比、跨被试差异、通道配置变化及小样本条件可能使邻接关系不稳定，批内上下文依赖也可能影响部署一致性。一个可证伪的小实验是在固定跨被试划分、编码器与训练预算下，比较无图、静态图和动态图方案，并检验批组成变化时的检索表现与稳定性。已有 EEG 相关工作尚未检索确认。