PartRM：利用大型跨状态重建模型建模部件级动态

基于摘要分析。本文研究物体部件级动态建模，提出 4D 重建框架 PartRM，从静态物体的多视角图像出发，同时建模外观、几何与部件级运动。其主要研究对象是物体动态重建及机器人操作，而非 EEG 或 BCI。 核心机制是复用大型 3D Gaussian 重建模型所学到的静态物体外观与几何先验，再扩展到部件运动建模。作者将依赖预训练视频扩散模型微调的 Puppet-Master 等方法作为背景对照，指出其 2D 视频表示与处理速度存在应用限制；摘要未提供相应定量比较。PartRM 引入 multi-scale drag embedding 模块，以不同粒度编码交互条件，并采用先学习运动、再学习外观的两阶段训练，旨在缓解微调中的灾难性遗忘。具体条件表示、监督信号、损失函数及训练阶段的参数更新范围尚未验证。 为缓解 4D 数据稀缺，作者提出 PartDrag-4D 数据集，提供覆盖超过 20,000 个状态的部件级动态多视角观测；该数字指状态数量，不能视为独立物体数量或训练样本数量。数据生成方式、物体与动作覆盖、训练测试划分，以及对未见物体和交互条件的泛化协议尚未验证。 作者报告 PartRM 在部件级运动学习上达到新的最先进水平，并可用于机器人操作任务，但摘要未提供指标、分数、评估协议或机器人任务细节，尚不能核对优势幅度及实际部署条件。作者表示代码、数据和模型已公开，具体资源及复现条件尚未核验。实验协议、消融及统计信息尚未验证。 该方法依赖多视角物体几何、部件结构及拖拽交互条件，摘要未建立这些结构与神经信号解码之间的具体对应关系，因此不据此推导 BCI 有效性，也不提出 EEG 迁移实验建议。已有 EEG 相关工作尚未检索确认。