面向域泛化立体匹配的掩码表征学习

基于摘要分析。本文研究立体匹配模型的跨域泛化，尤其关注不同训练轮次之间泛化性能显著波动的问题；核心贡献是将掩码图像重建与立体匹配联合训练，促使模型学习结构信息。 方法将掩码后的左图与完整右图作为输入，在特征提取模块后加入轻量解码器，恢复原始左图，并以立体匹配和图像重建组成“伪多任务学习”框架。该机制依赖左右图像的配对与几何对应关系，以及原始左图提供的重建目标；摘要未说明立体匹配监督来源、掩码策略、损失形式及任务权重。 作者在 CFNet 和 LacGwcNet 两种架构上实现该方法，并报告：在多个数据集上的实验中，该模块能够改善跨域泛化表现，且降低不同训练轮次之间的泛化波动。摘要未列出数据集名称、划分、具体指标或改善幅度，实验协议、消融及统计信息尚未验证。作者还指出，现有方法倾向于从不同训练轮次中选取最佳结果报告泛化性能，而实际部署无法依赖目标域真实标签完成这一选择；具体检查点选择方案及其评估依据需查阅全文。 平台推测（待验证）：可迁移的假设是，将掩码重建作为辅助任务，可能帮助 EEG 编码器保留时空结构，并缓解跨被试或跨会话泛化的不稳定性；但左右图像的几何对应不能直接等同于 EEG 通道关系，需要改造掩码单元、重建目标与解码器。低信噪比可能使重建偏向噪声，被试差异、通道不一致和小样本也可能削弱收益。可用同一 EEG 编码器对比任务训练与加入掩码重建的联合训练，固定不使用目标测试标签的检查点选择规则，考察跨被试任务指标及训练轮次间波动，而非仅比较最佳轮次。上述并非本文已验证结果，相关 EEG 工作尚未检索确认。