点还是线？使用基于线的表示进行 CAD 图纸全景符号定位

该研究面向由矢量图形基元组成的 CAD 图纸，研究同时识别可数对象实例（things）与不可数语义区域（stuff）的全景符号定位任务，提出采用基于线的图元表示的方法 VecFormer。基于摘要分析，未取得论文全文。 核心机制是以线而非点表示图元，保留原始图元的几何连续性，在表达形状结构的同时维持便于计算的组织形式。作者将其与图像栅格化、图构建和基于点的表示进行对照，认为既有路径可能存在计算成本、通用性或几何结构信息保留方面的限制；这些差异的具体实现与计算开销尚未验证。 VecFormer 还引入 Branch Fusion Refinement 模块，融合实例预测与语义预测，以缓解两类输出之间的不一致，形成更协调的全景结果。摘要未提供该模块的具体融合规则、训练目标或推理流程，不能进一步判断其结构与适用边界。 作者报告该方法达到 91.1 PQ，并称取得新的最佳结果；在使用先验信息与不使用先验信息的设置下，Stuff-PQ 分别比对应次优结果提高 9.6 和 21.2 点。摘要未明确 91.1 PQ 对应的具体设置，也未提供数据集、划分、先验信息内容及对照方法，因此不能将这些数值脱离协议直接比较。实验协议、消融及统计信息尚未验证。 本研究的主要对象是矢量 CAD 图形理解，而非神经信号建模。摘要未给出线表示与 EEG/BCI 数据之间的具体机制对应，故不据此提出迁移有效性或复现实验建议。