通过聚类学习用于深度补全的逐像素连续深度表示

基于摘要分析。本文研究计算机视觉中的深度补全问题，针对分类式方法采用预定义、像素共享的离散深度类别，难以贴合真实连续深度分布并可能造成物体边界深度模糊的问题，提出聚类框架 CluDe，学习逐像素连续深度表示。 核心机制是先通过深度值聚类学习一组深度中心，使初始表示相较预定义类别更贴近真实深度分布；这些中心仍是像素共享且离散的。随后，CluDe 为深度中心估计偏移，使其沿深度轴动态调整，从而形成逐像素连续表示。其方法重点是将共享离散表示转化为位置相关的连续表示，而非仅替换预定义类别。具体聚类算法、偏移参数化、损失函数及迭代训练流程尚未验证。 作者报告，CluDe 可减轻物体边界附近的深度模糊，在 VOID datasets 上取得其所称的最先进性能，并在 KITTI dataset 上优于分类式方法。摘要未提供具体指标、数值、数据划分或对照配置，因此不能量化提升幅度，也不能据此推断其优于 KITTI 上所有类型的方法。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：“共享离散中心加位置相关连续偏移”的机制，可作为 EEG 连续量重建或缺失信号补全的候选表示思路，但原论文对象是空间深度场，并非 EEG 解码。迁移假设依赖目标具有可聚类的连续数值结构及可用重建监督；可复用中心与偏移的表示方式，需将图像像素结构改造为通道—时间结构。EEG 低信噪比、跨被试幅值差异、通道布局变化和小数据条件可能使中心或偏移不稳定。一个可证伪的小实验是在固定被试内划分与相同人工遮蔽协议下，对比固定离散中心、聚类中心、聚类中心加偏移的重建误差。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。