MV-SSM：用于 3D 人体姿态估计的多视角状态空间建模

基于摘要分析。该研究针对多视角 3D 人体姿态估计在遮挡及新相机配置下的泛化问题，提出 MV-SSM，在多视角图像特征层面和人体关键点层面显式建模关节空间序列。其主要研究对象是视觉人体姿态估计，而非 EEG 或 BCI。 核心机制是 Projective State Space（PSS）模块，通过状态空间建模学习关节空间布局的泛化表示；模块内将 Mamba 的传统扫描改为 Grid Token-guided Bidirectional Scanning（GTBS）。作者认为，现有基于注意力的 Transformer 在遮挡情况下难以准确表达关键点空间关系，并可能过拟合训练中的相机布局与场景。摘要未说明 PSS 的具体投影运算、两级表示的融合方式、监督目标及训练配置，这些机制细节尚未验证。 作者报告，相较所比较的方法，MV-SSM 在 CMU Panoptic 的三相机设置下取得 AP25 +10.8，在变化相机布局的评估中取得 AP25 +7.0，在跨数据集评估的 Campus A1 上取得 PCP +15.3。摘要未交代这些增量的单位、具体对照方法、绝对分数或完整数据划分，不能将其直接解释为百分比提升，也不能跨协议比较。实验协议、消融及统计信息尚未验证。材料提供了项目网站，但代码、权重及复现依赖是否公开尚未验证。 平台推测（待验证）：若 PSS 与 GTBS 的收益确实来自空间拓扑建模而非视觉特定表示，其扫描设计可能为 EEG 通道空间关系建模提供参考。原方法依赖多视角图像、人体关节结构与相机布局，不能直接等同于 EEG 多通道数据；迁移需将图像与关键点表示替换为带电极位置的时序特征，并重新定义空间序列及训练目标。EEG 的低信噪比、跨被试差异、通道缺失和小数据规模可能削弱这一机制。一个可检验的小实验是在固定跨被试划分、相同输入和训练预算下，对比普通 Mamba 扫描与空间引导双向扫描，并增加通道缺失条件以检验鲁棒性；这只是迁移假设，不是本文已验证结果。相关 EEG 工作尚未检索确认。