学习未正交化矩阵用于旋转估计

该研究面向 3D 计算机视觉中的旋转估计，提出直接学习未经正交化的“伪”旋转矩阵 Pseudo Rotation Matrices（PRoM），以避免训练过程中正交化操作对优化效率的影响。以下基于摘要分析，未取得论文全文。 旋转矩阵因表示的连续性而常用于姿态估计，但学习时通常需要通过正交化保证矩阵的标准正交性。作者通过梯度分析指出，基于 Gram-Schmidt 过程和奇异值分解的常见正交化操作会拖慢训练；PRoM 的核心改动是从学习过程中移除正交化，而非更换为另一种正交化算法。作者报告，其优化分析表明 PRoM 能更快收敛并达到更好的解，但摘要未交代该结论所依赖的假设及适用范围。 实验方面，作者报告在多种旋转相关任务中，用 PRoM 替换包含正交化的表示，并在大规模人体姿态估计基准上取得当时最优结果。摘要未提供基准名称、数据划分、对照方法、评价指标及具体数值，因此尚不能核对优势幅度，也不能区分收敛速度改善与最终预测精度提升各自的贡献。 复现时需核对 PRoM 的监督目标、推理阶段如何获得或使用合法旋转，以及分析假设与实验设置的对应关系；实验协议、消融及统计信息尚未验证。该工作的主要对象是几何旋转表示，并非 EEG 或 BCI 解码，现有材料不足以建立具体迁移路径，不应据此推断其具有 BCI 有效性。已有 EEG 相关工作尚未检索确认。