x^2-Fusion：事件边缘空间中的跨模态与跨维度流估计

基于摘要分析。该研究面向动态场景理解中的稠密 2D 光流与 3D 场景流联合估计，提出 x^2-Fusion，以事件数据导出的时空边缘作为共享表征锚点，将图像、LiDAR 和事件数据的融合转化为统一空间中的表征对齐问题。 核心机制是构建 Event Edge Space：事件相机提供的时空边缘信号定义以边缘为中心的同质表征空间，图像与 LiDAR 特征显式对齐到该空间。随后，可靠性感知自适应融合估计各模态的可靠性，在数据退化时强调稳定线索；cross-dimension contrast learning 则用于耦合 2D 光流与 3D 场景流。其方法区别在于尝试用共享表征减少异质特征空间中的跨传感器不匹配，而非仅依靠多个模态专用模块完成融合。具体对齐算子、可靠性监督、对比学习正负样本及损失形式尚未验证。 作者报告，在合成与真实基准的标准条件下取得 state-of-the-art 精度，并在挑战场景中获得显著改进。摘要未提供基准名称、数据划分、对照方法、指标数值或退化条件，因此无法量化优势，也不能判断各组件的独立贡献；实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：可供多模态神经信号研究参考的是“共享表征对齐与可靠性感知融合”的方法思路，而非已验证的 EEG/BCI 效果。原方法依赖事件时空边缘及图像、LiDAR 间的对应关系，EEG 并不天然具备同样的边缘锚点；迁移需要重新定义共享表征与模态对应关系。低信噪比、跨被试差异及小样本可能使可靠性估计和对齐失效。当前材料不足以确定具体迁移方案，已有 EEG 相关工作尚未检索确认。