$x^2$-Fusion：事件边缘空间中的跨模态与跨维度流估计

基于摘要分析。该研究面向动态场景理解中的稠密 2D 光流与 3D 场景流估计，提出 $x^2$-Fusion，将图像、LiDAR 与事件数据的融合重新表述为共享空间中的表征统一，而非在彼此分离的异构特征空间中进行交互。 核心机制是以事件相机提供的时空边缘信号构建 Event Edge Space，并将图像与 LiDAR 特征显式对齐到这一以边缘为中心的统一表征空间。随后，可靠性感知自适应融合估计各模态的可靠性，在传感器数据退化时强调较稳定的线索；跨维度对比学习则用于耦合 2D 光流与 3D 场景流。摘要未提供具体对齐算子、可靠性估计方式、对比学习样本构造或损失形式，尚不能据此确定实现细节。 作者报告，在合成与真实基准上，该方法在标准条件下达到最先进的准确性，并在挑战场景中取得显著改善。但摘要未列出基准名称、数据划分、对照方法、指标数值或退化条件，因此无法核对优势的幅度与适用范围。实验协议、消融及统计信息尚未验证；复现还需核对多传感器时空标定、共享表征构建、训练配置及实现资源。 原论文的主要对象是视觉与 LiDAR 运动估计，而非神经信号解码。事件相机的时空边缘结构不能直接等同于 EEG 特征，摘要也未给出对应的神经信号机制，因此目前不将其解读为已验证的 BCI 融合方法。已有 EEG 相关工作尚未检索确认。