Neural Vector Fields：通过显式学习实现隐式表示

基于摘要分析。该研究针对三维表面重建中显式网格变形与隐式距离函数表示各自的约束，提出 Neural Vector Fields（NVF），结合直接操控网格的显式学习过程与无符号距离函数（UDF）的隐式表示能力，旨在缓解分辨率和拓扑限制。 核心机制是预测查询点指向表面的位移，将形状表示为同时编码距离与方向的向量场。与依赖网络求导获取方向场的 UDF 方法相比，NVF 直接输出方向信息；作者称这能够缓解“ridge”点处的歧义，并使方向场计算无需对网络求导。这里的“无需求导”针对方向场获取，并不意味着整个模型训练不使用梯度。 在此基础上，作者进一步使用 Vector Quantization 学习形状码本，以编码跨物体先验。作者报告，该设计可加速训练并改善跨类别重建的泛化表现。摘要未给出码本规模、损失函数、训练流程或各模块贡献的定量结果。 作者报告，在三维表面重建基准上，NVF 在水密与非水密形状、类别特定与类别无关重建、未见类别重建及跨域重建等评估场景中优于所比较的方法；但摘要未提供具体数据集、划分、基线名称、指标及数值，尚不能核对优势幅度或比较条件。作者提供了代码仓库，实际可复现性及实验协议、消融与统计信息尚未验证。 本研究的主要对象是三维几何表面，而非神经信号。摘要没有建立其几何查询、表面方向与 EEG 解码瓶颈之间的具体对应关系，因此不据此提出 BCI 迁移方案；相关 EEG 工作尚未检索确认。