LunarFM：月球表面的多模态表征

基于摘要分析。LunarFM 面向月球资源分析中多仪器遥感数据异构、分析流程分散的问题，通过多模态自监督预训练，将不同观测整合到共享表征空间。研究对象是月球表面遥感数据，而非神经信号或 BCI。 框架包含配准后的多模态数据集、预训练多模态掩码自编码器及配套嵌入数据集。输入来自三次轨道任务的六台仪器，共18个通道；数据块覆盖月球纬度与经度各0.5°的区域，整体纬度覆盖范围为±70°。模型提供联合的768维月表属性表征。摘要未说明具体掩码策略、重建目标、模态融合结构及训练规模，这些实现细节尚未验证。 作者报告以三个示例性下游应用展示框架潜力，其中包括相似性检索和少样本资源制图，例如钛铁矿制图。摘要未提供量化指标、数据划分或对照结果，因此不能判断其泛化性能、少样本增益及相对现有方法的优势；实验协议、消融及统计信息尚未验证。作者表示代码与数据已公开，并将扩展与严格基准评估列为未来工作。 平台推测（待验证）：可考察的机制是利用已配准的异构观测进行联合掩码建模，而非月球资源分析结果本身。若迁移至同步多模态神经记录，可复用联合表征学习思路，但需将空间配准和图像块输入改造为时间对齐与神经信号编码；低信噪比、跨被试差异、通道缺失及小数据规模均可能使共享表征失效。一个可检验的小实验是在固定跨被试划分下，对比联合掩码预训练与单模态预训练，并测试模态缺失时的表现。已有 EEG 相关工作尚未检索确认，该假设不构成 BCI 有效性的证据。