通过双重去噪从 CLIP 学习鲁棒 3D 表征

基于摘要分析。本文研究能否将预训练视觉语言模型 CLIP 适配于具有对抗鲁棒性的零样本点云识别，提出一种由鲁棒 3D 预训练与并行特征去噪组成的蒸馏算法，旨在同时改善干净输入下的识别表现与受扰动输入下的鲁棒性。主要研究对象是 3D 点云，而非 EEG 或 BCI。 技术上，论文以跨模态蒸馏为背景，将点云表征与 CLIP 的多模态知识联系起来。作者认为，既有方法主要通过直接特征对齐进入共享多模态空间，未能相应改善 3D 鲁棒性；所提方法则引入上述两个组件，并声称不依赖对抗训练。摘要未披露双重去噪的具体对象、监督来源、损失形式及训练与推理流程，因此尚不能确定其鲁棒性收益来自何种约束。 结果方面，作者报告，在零样本 3D 识别基准上，相比基线模型，干净输入下表现提升 7%，受扰动输入下也有不同程度改善，并优于其他相近规模模型。但摘要未明确该 7% 对应的指标及其为相对增幅还是百分点，也未提供具体数据集、划分、攻击方式、扰动预算和基线名称，不能据此进行定量横向比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设该方法的收益确实来自跨模态蒸馏中的噪声抑制，其训练思路可能为 EEG 表征学习提供参考，但不能把点云几何扰动直接等同于 EEG 伪迹或跨被试分布偏移。迁移需先确认 EEG 与教师表征之间是否存在有效的配对或语义监督，并改造输入编码和扰动定义；低信噪比、小样本及通道差异可能使对齐失效或去除任务相关信号。取得全文并明确去噪机制后，可在固定 EEG 数据划分下，对比直接蒸馏与加入去噪模块的干净及受扰动输入表现，检验收益是否成立。已有 EEG 相关工作尚未检索确认。