SHRAG：用于平面图表征的语义层次图

基于摘要分析。该研究面向建筑平面图表征，提出语义层次图 SHRAG，以同时编码房间轮廓、门窗等局部细节，以及房间类别和房间间关系，服务于平面图检索、重建与生成等应用。 核心机制是两个层级的图模块：Detail Graph Module（DGM）学习每个房间的详细轮廓与可附着元素的嵌入；Global Graph Module（GGM）将这些细节嵌入与房间类别、房间关系等粗粒度信息拼接并编码。相较于仅以房间类别为节点、邻接关系为边的单层图，其主要设计差异在于显式整合局部几何信息和全局语义结构。摘要未说明具体图算子、损失函数、监督方式及训练规模。 作者报告，SHRAG 在所评估的平面图检索任务上达到 SOTA，并在综合用户研究中比其他平面图相似度度量更令人满意；作者还展示了其适配包含家具的复杂真实室内场景的能力。摘要未提供数据集名称、划分、对照方法、检索指标或用户研究规模，因此这些结论的适用范围，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“局部细节编码—全局关系整合”的机制可作为 EEG 分层图表征的设计假设，例如先编码局部通道组的时序特征，再整合通道组间关系。但原任务依赖明确的房间轮廓、元素归属与空间关系，EEG 并无天然等价结构；需重新定义节点、局部模块输入及边关系，低信噪比、跨被试差异、通道配置变化与小数据均可能使层次划分失效。可检验的小实验是在固定数据划分和训练预算下，对比单层通道图与分层图，并通过扰动通道分组检验收益是否来自有意义的层次结构。已有 EEG 相关工作尚未检索确认。