CTRL：面向多模态车辆重识别的一致性感知文本驱动表示学习

基于摘要分析。本文研究多模态车辆重识别（ReID），目标是利用异构模态的互补信息检索同一车辆。作者提出 CTRL，通过一致性约束的文本生成、模态内文本引导和跨模态语义补全，区分并协调文本对视觉表示的引导作用与身份信息补充作用。 文本生成环节统一属性取值，并建模不同模态下的属性可见性，使描述既有对应图像支持，又在跨模态共享属性上保持取值一致。Intra-modal Text-guided Asymmetric Propagation（ITAP）在视觉编码期间用文本调节信息传播，限制身份判别性特征从身份信息较弱区域聚合的信息，并以受控方式更新这些区域。Cross-modal Text-guided Semantic Completion（CTSC）则从其他模态的描述中选择补充线索：这些线索须获得充分的源模态视觉支持，同时在目标模态的文本与视觉特征中表征不足。 作者报告，CTRL 在三个多模态车辆 ReID 数据集上显著优于现有方法。摘要未给出数据集名称、模态组合、数据划分、评价指标、具体数值及对照方法，因此尚不能判断提升幅度或进行同协议比较；“显著”是否对应统计检验也尚未验证。损失设计、文本生成实现、模块消融及复现资源需进一步核对全文。 本文的主要研究对象是车辆身份检索，而非 EEG 或 BCI。其机制依赖可由图像支持的属性描述与跨模态身份互补线索，不能直接视为神经信号表示学习的有效方法；现有材料不足以建立具体的 EEG 迁移路径，相关工作尚未检索确认。