在对比式语言–图像–3D 预训练中塑造整体性 3D 表征

基于摘要分析。本文研究面向开放世界理解的 3D 表征学习，提出 Mix-Con3D，利用点云与多视角渲染图像的互补信息构建整体性对象级表征，再进行语言–3D 对比学习，以改善 3D 对象与文本的对齐。 其核心区别是：不只使用点云表征分别对齐图像和文本嵌入空间，而是先结合描述同一 3D 对象的不同视角信息，再开展文本对齐。摘要未交代具体融合算子、编码器结构、损失形式及训练阶段，因此尚不能判断多视角信息如何进入最终表征，以及推理时是否仍依赖渲染图像。作者还报告系统考察了多种 3D 对比学习训练配方，并构建了性能更强的基线；具体配方及各因素贡献尚未验证。 作者报告在三个代表性基准上开展实验，并在包含 1,156 个类别的 Objaverse-LVIS 上较此前最佳方法提升 5.7%。摘要未明确该数值对应的指标、相对增幅或百分点口径，也未提供数据划分和具体对照方法，不能据此进一步量化比较。作者还展示了 text-to-3D retrieval 与 point cloud captioning 应用，但摘要未给出相应指标。 摘要提供了代码仓库地址，可作为复现入口；代码完整性、数据准备、计算资源、实验协议、消融及统计信息尚未验证。研究的主要对象是 3D 点云与视觉–语言表征，并非 EEG/BCI；其对神经信号任务的适用性尚未验证，已有 EEG 相关工作也尚未检索确认。