DICArt：在离散状态空间中推进类别级铰接物体姿态估计

基于摘要分析。该研究面向具身 AI 与计算机视觉中的类别级铰接物体姿态估计，针对连续姿态回归面临的复杂搜索空间与运动学约束利用不足，提出 DICArt（DIsCrete Diffusion for Articulated Object Pose Estimation），通过条件离散扩散与结构先验恢复物体及其刚性部件的姿态。 核心机制是从带噪姿态表示出发，利用学习到的反向扩散过程逐步去噪。作者提出 flexible flow decider，动态决定每个 token 应继续去噪还是重置，以平衡扩散过程中的真实分布与噪声分布；同时采用 hierarchical kinematic coupling，按层级估计各刚性部件的姿态，使估计遵循物体的运动学结构。这里的离散状态空间用于姿态生成建模，摘要并未表明采用通常所称的 State Space Model 序列架构。 作者报告，在包含多铰链物体的合成与真实数据集上，DICArt 相比先进基线具有更好的性能与鲁棒性，目标为类别级 6D 姿态估计。摘要未提供数据集名称、数据划分、具体基线、评价指标或数值，因此尚不能量化提升或判断其适用范围。姿态离散化方式、条件输入、训练损失、推理开销，以及实验协议、消融及统计信息尚未验证。 作者表示代码将在论文接收后公开；这不等于当前已接收或代码已发布。当前材料不涉及神经信号，也未提供离散姿态 token、刚性部件运动学层级与 EEG/BCI 任务之间的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。