AffIn-Space：面向 MLLMs 三维空间理解的仿射不变表征学习

基于摘要分析。研究针对多模态大语言模型（MLLMs）在视角与观察距离变化下的几何脆弱性，提出 AffIn-Space，通过显式几何对齐与模型内部的不变性约束，分离三维结构和外部相机位姿的影响。主要研究对象是三维视觉空间理解，而非 EEG 或 BCI。 机制分为两阶段：首先，从位姿特征得到分解后的仿射量，通过显式几何重采样，将三维特征空间对齐至规范状态，再进行融合；其次，在 MLLM 内通过正交投影约束隐藏状态，旨在去除位姿相关干扰，并借助条件重建保留可恢复的几何语义。作者将其与输入层融合、潜在重建等范式区分，认为后者仍与视角相关的像素网格纠缠。“严格仿射不变性”是作者提出的目标，其数学条件、投影空间构造及条件重建方式尚未验证。 作者报告在多个空间理解基准上取得 SOTA，并在仿射扰动下表现出更高稳定性。摘要两处基准列表不完全一致：首处列出 VSI-Bench、ScanQA、SQA3D、Scan2Cap 和 EmbodiedScan，末处将 VSI-Bench、SQA3D、Scan2Cap 列为空间推理任务，将 ScanRefer、EmbodiedScan 列为空间定位任务。具体任务划分、指标、对照基线、扰动范围及数值结果未提供，实验协议、消融及统计信息尚未验证，不能据此比较不同基准上的提升幅度。 复现需核对位姿与三维特征的来源、仿射分解和规范化流程、正交投影及条件重建的实现，以及训练监督和计算需求。作者表示将公开代码与详细说明，材料不能确认其已发布。该方法依赖明确的三维几何与位姿结构，不能直接将相机位姿不变性等同于 EEG 的跨被试或跨会话鲁棒性；目前没有足够材料建立具体迁移路径，已有 EEG 相关工作尚未检索确认。