InvAct：减少视角不变原子动作学习中的场景偏差

基于摘要分析。该研究针对第一人称与第三人称视频之间的动作匹配问题：不同视角常共享环境，模型可能依赖场景而非动作完成匹配。作者提出原子动作嵌入模型 InvAct，旨在同时获得视角不变性与场景不变性，改善细粒度原子动作理解。 核心机制包括两部分。其一是 structured token commitment，通过逐行硬注意力掩码，将每个视频 token 路由至单个特殊 token 槽位：动作相关 token 与 class token 对齐，非动作 token 与 register tokens 对齐，后者在推理时被丢弃，以减少场景线索对动作表示的影响。其二是 scene-aware contrastive objective，拉近不同场景中的同类动作片段，同时分离同一场景中的不同动作，直接约束动作与场景的混淆。 作者报告，在 Ego-Exo4D 上，InvAct 改善了跨场景、跨视角原子动作检索，并降低同场景偏差；摘要未提供具体指标、数值及对照基线。作者还报告，仅用原子动作训练后，组合其嵌入即可在不重新训练的条件下支持较长动作检索；同一检查点无需微调即可迁移至未见数据集，并可为机器人策略预训练提供有用的潜在目标。这些是视频动作表征及机器人学习语境下的结果，不构成 EEG 或 BCI 有效性的证据。 复现时需核对动作与场景的标注及采样方式、跨场景与跨视角的数据划分、同场景偏差的度量，以及硬路由和对比目标各自的贡献。较长动作的嵌入组合方式、未见数据集名称、机器人预训练设置及代码可用性均未在摘要中明确，实验协议、消融及统计信息尚未验证。已有 EEG 相关工作尚未检索确认。