FILT3R：用于流式三维重建的潜在状态自适应卡尔曼滤波器

基于摘要分析。本文研究流式三维重建中持久潜在状态的在线更新问题：过度覆盖会遗忘历史，更新过于保守则难以跟踪新证据，且两者在超出训练时域后可能失稳。作者提出 FILT3R，一种无需训练的潜在状态滤波层，将 token 空间中的递归更新表述为随机状态估计。 核心机制是为每个 token 维护方差，并计算卡尔曼式增益，自适应平衡历史状态与新观测。控制帧间潜在状态变化预期的过程噪声，由候选 token 经指数移动平均（EMA）归一化后的时间漂移在线估计。作者将常见覆盖与门控策略解释为该更新框架的特例；这一关系的具体推导尚待全文核对。 作者报告，在流式三维重建实验中，稳定场景下随着证据累积、不确定性收缩，更新增益减小；真实场景变化提高过程不确定性时，增益增大。作者报告，相比现有方法，该机制改善了深度、位姿及三维重建的长时域稳定性。摘要未提供数据集、序列长度、基线名称或定量指标，实验协议、消融及统计信息尚未验证。“无需训练”指所提出的滤波层，不应理解为整个重建系统无需训练。 平台推测（待验证）：若流式 EEG 解码器具有可递归更新、语义相对稳定的潜在 token，该机制可能用于平衡历史信息保留与非平稳变化跟踪；原研究依赖连续帧及可比较的候选 token，迁移时需改造 EEG 编码与 token 对齐方式，并重新校准漂移估计。低信噪比伪迹可能被误判为真实状态变化，跨被试、跨通道差异及小数据条件也可能破坏不确定性估计。可先固定同一 EEG 编码器与解码头，在相同按时间顺序划分的连续数据上比较覆盖、固定门控与 FILT3R 式更新，检验其能否在不放大伪迹影响的前提下改善长时段表现。已有 EEG 相关工作尚未检索确认。