RepVF：用于多任务 3D 感知的统一向量场表示

基于摘要分析。本文研究自动驾驶中同一时空场景下的多任务 3D 感知，针对传统多任务学习的计算冗余与任务间特征竞争，提出统一向量场表示 RepVF，并构建网络 RFTR，在同一框架中处理 3D 目标检测和 3D 车道线检测等任务。 RepVF 以向量场描述不同目标的结构，使多种任务共享单头预测模型。RFTR 则使用层级查询结构，隐式建模任务间及任务内的关系。作者称，该设计无需任务专用预测头及参数，可减少计算冗余和任务冲突；摘要未披露向量场的具体参数化方式、监督目标、损失函数及查询交互细节，这些机制仍需正文核对。 作者报告，研究结合 OpenLane 与 Waymo Open dataset 的标注进行验证，并称方法改善了多任务感知的效率与效果。摘要未给出具体指标、数值、对照基线或数据划分，也未说明两套数据标注的配准与整合方式，因而不能据此量化收益或判断任务冲突是否得到充分缓解。实验协议、消融及统计信息尚未验证。代码在材料中标为将公开，当前可用性尚未验证。 平台推测（待验证）：其可借鉴点是以共同结构化输出空间统一相关任务，而非向量场本身可直接用于 EEG。假设多个 EEG 任务具有可共享的时空结构与兼容监督，层级查询或可用于建模任务内外关系；但需重新设计输出表示、任务标签及通道空间编码，不能直接沿用道路场景中的几何目标。低信噪比、跨被试差异、通道配置变化和小样本均可能削弱共享表示并导致负迁移。一个可证伪的小实验是在具有兼容多任务标注的同一 EEG 数据上，固定编码器、训练预算及被试划分，对照任务专用头与共享头加层级查询，分别检查各任务指标和计算开销。该假设不构成已验证的 BCI 贡献，已有 EEG 相关工作尚未检索确认。