SpatialTracker：在三维空间中跟踪任意二维像素

基于摘要分析。该研究针对视频中稠密、长距离像素运动跟踪，提出 SpatialTracker：将二维像素提升到三维空间并估计轨迹，以缓解三维到二维投影引起的遮挡及二维运动不连续问题。其核心假设是，复杂的二维表观运动背后，三维运动可能更简单且具有低维结构。 方法使用单目深度估计器将二维像素提升到三维，以 triplane 表示高效编码每帧的三维内容，再通过 transformer 迭代更新轨迹估计。在三维空间跟踪使模型能够利用 as-rigid-as-possible（ARAP，尽可能刚性）约束，同时学习 rigidity embedding，将像素聚类为不同刚性部件。摘要未提供具体损失形式、深度估计器配置、训练数据及迭代设置。 作者报告，方法在定性与定量评估中达到最先进的跟踪表现，尤其适用于平面外旋转等困难情形；但摘要未列明数据集、划分、对照基线或指标数值，因此这一结论目前只能作为作者报告，不能据此核实优势幅度。实验协议、消融及统计信息尚未验证。复现时需核对单目深度误差如何影响轨迹、刚性约束对非刚性运动的适用边界，以及遮挡条件下的评估设置。 该论文的主要对象是视觉像素跟踪，而非 EEG 解码或 BCI。其机制依赖图像像素、可估计的深度及三维运动结构；材料未给出与 EEG 通道或神经源时序的具体对应关系，因此不据此提出 EEG 迁移效果或复现实验建议。相关 EEG 工作尚未检索确认。