融合之前先建立几何：用于事件–帧立体视觉的事件优先状态空间建模

基于摘要分析。该研究面向事件–帧立体视觉：事件相机在快速运动和极端光照下仍可提供信息，但数据稀疏；帧相机提供稠密外观，却可能在这些条件下失效。作者提出先仅用双目事件估计视差，建立几何参考，再引入单帧图像进行可靠性加权细化，避免不可靠外观过早影响对应关系。 核心机制是将匹配与多模态细化分阶段处理：首先通过状态空间架构完成纯事件立体视差估计，再依据事件立体一致性生成可靠性度量，用于控制帧信息的参与。摘要未提供状态空间模型的具体结构、事件表示方式、可靠性计算公式、损失函数或训练流程，这些尚未验证。 作者报告，在 DSEC 上，该方法在使用至多一个帧相机的方法中精度最高，并接近使用两个帧相机的对称方法；其纯事件变体也优于此前的纯事件方法。作者还报告模型可零样本泛化至 MVSEC 和 M3ED。摘要未给出具体指标、数值、数据划分及基线配置，因此不能量化优势或判断不同配置的可比性。关于融合时机，作者报告消融中在匹配前引入帧信息会使精度低于纯事件模型；完整实验协议、其他消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴之处是先由较可靠模态建立任务参考，再控制辅助模态的融合，而不是将立体几何直接移植到 EEG。假设同步 EEG 与辅助模态任务中存在独立可计算的可靠性信号，可复用分阶段推理及可靠性门控思路，但需重构事件编码、视差目标和立体一致性度量。EEG 的低信噪比、跨被试差异及小样本可能使初始参考或门控失准。一个可证伪的小实验是在固定跨被试划分下，对比 EEG 单模态、早期融合和可靠性加权后期融合，并对辅助模态加入受控扰动，检验后者能否减少性能退化。相关 EEG 工作尚未检索确认，该实验仅为迁移假设，不是原论文结果。