LCM：用于缓解透视畸变的鲁棒表征学习对数保角映射

基于摘要分析。本文研究图像透视畸变造成的形状、大小、方向、角度及空间关系变化，提出 Log Conformal Maps（LCM），利用对数函数近似透视畸变，旨在减少基于 Möbius transform 的 MPD 方法所需的参数及计算复杂度，并将其用于鲁棒视觉表征学习。 原问题在于，相机内外参数难以准确估计，使透视畸变合成较为困难；先校正畸变再学习视觉任务又形成多阶段流程。MPD 无须估计相机参数即可合成畸变，但涉及多个相互依赖的参数及复数运算。作者提出用 LCM 简化这一过程，并称提供了理论依据与实验，支持以更少参数近似 MPD。摘要未给出映射公式、参数设置、计算量测量方式或具体训练目标，这些内容尚未验证。 作者报告，LCM 可融入监督与自监督表征学习，在 Imagenet-PD、Imagenet-E 和 Imagenet-X 上优于标准模型，并在缓解透视畸变方面达到与现有最佳方法相当的表现；作者还报告其可用于 person re-identification 并改善表现。摘要未提供具体指标、数值、数据划分和基线配置，因此不能据此量化收益或比较不同评估协议。实验协议、消融及统计信息尚未验证。 本文的主要研究对象是视觉图像的几何畸变，而非 EEG 或 BCI。现有材料未建立透视畸变与神经信号变化之间的具体机制对应，不能将这些视觉任务结果视为 BCI 有效性的证据。摘要表示将发布源代码，但当前材料不能确认代码已公开；复现仍需核对完整映射定义、训练与评估设置及实现。