GeoCFR：基于结构表征学习与后验聚合的多模态遥感图像配准

基于摘要分析。GeoCFR 面向多模态遥感图像配准，针对跨模态外观差异与大幅旋转、平移和尺度变化导致的对应关系不可靠问题，结合跨模态结构表征学习与局部匹配后验聚合，逐步细化全局仿射变换；同时构建多模态遥感配准数据集 WH-M3R。 机制上，区域矩—关系谱描述子（regional moment–relational spectrum descriptor，RMSD）利用区域统计与多环关系获得仿射初始化；Posterior-Aggregating Tokens for Affine Refinement（PATAR）模块聚合局部候选分布与几何信息，在两个特征尺度上预测全局仿射残差。其主要方法价值在于不只选择局部匹配点，而是利用候选分布辅助全局几何估计。具体网络结构、损失、候选分布构造及训练细节尚未验证。 WH-M3R 覆盖武汉，包含来自 13 个数据层的 343,758 对有效跨模态图像，空间分辨率为 0.5、2、5 和 10 m；Match-30K 用于训练与验证，Match-1K 用于测试。作者报告，在 WH-M3R-Match-1K 的 High 协议下，相较各阈值上的最强基线，GeoCFR 在 1、2、3 像素阈值下的正确匹配率（CMR）分别提高 7.7、6.9、5.8 个百分点。作者还报告，在 High 协议下，该方法在 SOMA-1M-Test、RoadScene 和 OSdataset 上取得领先的整体零样本表现；摘要未给出这些测试的具体分数与基线名称。 全文待核对事项包括 High 协议定义、训练与验证划分、跨数据集模态差异、消融及统计信息。研究的明确对象是遥感图像及其空间仿射配准，不能将结果等同于 EEG 表征对齐或 BCI 性能提升；现有材料不足以建立具体迁移路径，相关 EEG 工作尚未检索确认。