Argos：适配丰富几何先验以实现可泛化的在线场景变化检测

基于摘要分析。该研究面向动态环境中的机器人场景变化检测，提出 Argos，将 Geometric Foundation Models（GFMs，几何基础模型）的特征适配于联合场景变化检测与 3D 重建，并通过多数据集联合训练改善跨域泛化。研究还提出大规模基准及面向机器人的实时系统 Argos-SLAM，后者支持在线变化检测和变化感知的 4D 建图。 原问题是：依赖成对 2D 图像特征的方法难以应对较大视角变化、遮挡与噪声，而显式 3D 方法通常需要成本较高的离线优化。Argos 的核心思路是利用 GFMs 所包含的隐式 3D 知识，为变化判别提供几何先验，并与重建任务结合。摘要未说明所用 GFM、特征适配模块、损失函数、监督形式及在线更新机制，不能据此将其归类为测试时自适应。 数据方面，作者构建的基准包含两个合成数据集和一个真实世界数据集，并在多样化数据集上联合训练。作者报告，在所评估基准上，相对现有基线的 change IoU 增益最高为 42.01%，F1 增益最高为 27.91%；摘要未给出这些最大增益对应的数据集、划分、基线或绝对分数，也未明确百分比是相对提升还是百分点变化，因此不能直接比较或换算。跨域测试是否采用未见目标域、实时性测量所用硬件及延迟、实验协议、消融及统计信息尚未验证。 本文的直接研究对象是视觉几何与机器人环境变化，而非神经信号。其方法依赖图像中的空间几何结构，摘要不足以建立该先验与 EEG/BCI 分布偏移之间的具体机制对应，因此不提出 BCI 迁移实验建议。已有 EEG 相关工作尚未检索确认。复现前需核对全文中的数据集定义、训练与测试域隔离、GFM 适配方式，以及 Argos-SLAM 的部署条件；代码与权重可用性尚未验证。