PartRM：利用大型跨状态重建模型建模部件级动态

基于摘要分析。PartRM 研究物体部件级动态建模：从静态物体的多视角图像出发，在 4D 重建框架中同时建模外观、几何与部件运动，主要研究对象是物体动态重建及其在机器人操控中的应用，而非神经信号或 BCI。 方法建立在大型 3D Gaussian 重建模型之上，复用其对静态物体外观与几何的先验。为增强模型对交互条件的理解，作者引入 multi-scale drag embedding，在不同粒度上表征动态；为缓解微调中的灾难性遗忘，采用先学习运动、再学习外观的两阶段训练。摘要将依赖大型预训练视频扩散模型微调的 Puppet-Master 等方法作为背景对照，指出其 2D 视频表示与处理速度存在局限，但未提供具体对照结果，不能据此量化 PartRM 的效率优势。 数据方面，作者提出 PartDrag-4D，提供覆盖超过 20,000 个状态的部件级动态多视角观测；该数量指状态数，不等于物体数或独立样本数。作者报告 PartRM 在部件级运动学习中达到新的最优水平，并可应用于机器人操控，但摘要未列出评估指标、数据划分、对照配置或操控任务成功率，相关结论尚需全文验证。 作者称代码、数据和模型已公开，具体获取方式及复现条件尚未核验。损失函数、交互条件的精确定义、训练规模、消融及统计信息尚未验证。该方法依赖多视角物体观测、几何重建先验和拖动交互条件，当前材料未建立其与 EEG/BCI 的具体机制对应，因此不将其表述为已验证的 BCI 方法或直接迁移方案。