THE Benchmark：面向单目高度估计的可迁移表征学习

基于摘要分析。该研究面向快速构建三维城市模型所需的单目高度估计（MHE），针对常规数据集上的训练与测试难以反映实际迁移需求的问题，提出跨数据集表征迁移基准，并引入 scale-deformable convolution（SDC）模块以处理高度估计中的尺度变化。 数据与协议：基准包含一个新提出的大规模合成数据集、一个新采集的真实世界数据集，以及来自不同城市的四个既有数据集。研究设计了 few-shot cross-dataset transfer（少样本跨数据集迁移）协议，将评估重点从常规训练测试扩展至不同数据集间的迁移。具体数据规模、城市构成、划分方式、少样本标注预算及目标域数据使用规则尚未验证。 方法与结果：SDC 用于增强基于窗口的 Transformer，主要针对高度估计中的尺度变化。摘要未说明其卷积变形机制、训练目标及与主干网络的具体连接方式。作者报告，所提方法在常规设置和跨数据集迁移设置下均有效，但摘要未提供指标数值、对照基线或不确定性信息，不能据此判断提升幅度。摘要声明数据与代码已公开；实现细节、实验协议、消融及统计信息尚未验证。 领域边界：本文主要研究城市几何信息估计，并非 EEG/BCI 方法。跨数据集迁移是可供其他领域参考的评估问题，但摘要不足以建立 SDC 与 EEG 信号建模之间的具体机制对应，因此不推导其 BCI 效果，也不提出直接迁移实验；相关 EEG 工作尚未检索确认。