SpaceMesh：用于学习流形曲面网格的连续表示

基于摘要分析。SpaceMesh 研究如何让神经网络直接生成具有复杂连接关系的流形多边形网格，而非通过标量场等值面、模板变形或缺乏局部结构的无序三角形集合间接表示网格。核心贡献是在每个网格顶点定义连续的潜在连接空间，由连续嵌入确定离散网格结构。 机制上，顶点嵌入在半边（halfedge）网格表示中生成循环邻接关系。作者称，这一构造可保证边流形性，并支持一般多边形网格，且不对连接关系或拓扑施加限制。这里的边流形性保证不应扩展理解为已保证所有顶点处的流形性、无自交或几何质量；保证的具体条件仍需核对正文。该表示旨在使离散连接关系的学习适配神经网络与随机优化，具体解码流程、优化目标及训练方式尚未验证。 作者先研究表示的基本性质，再用其拟合大型数据集中的网格分布。作者报告，所得模型能够生成多样化网格，学习数据中的网格剖分结构，并呈现简洁的细节和高质量网格单元；应用还包括直接学习网格修复。摘要未给出数据集名称、划分、对照方法、定量指标或修复任务协议，因此这些结果目前仅能作为定性报告，实验协议、消融及统计信息尚未验证。 本文主要对象是视觉计算与仿真中的曲面网格表示和生成，并非 EEG 或 BCI 信号建模。现有材料未建立该连接表示与具体 EEG/BCI 瓶颈之间的机制对应，因此不据此推断神经信号建模收益，也不提出迁移复现实验。