H4MER：通过 Transformer 学习神经组合表示的人体四维建模

基于摘要分析。该研究面向具有精细几何结构的动态人体四维建模，提出 H4MER，利用 SMPL 参数化人体模型先验，将一段时间内的动态三维人体编码为形状、初始姿态、运动及辅助编码的组合表示。其主要研究对象是人体运动与几何重建，而非神经信号解码。 机制上，H4MER 先通过线性运动模型获得粗略且具有正则化作用的运动估计，再利用辅助编码中的残差逐帧补偿姿态与几何细节。模型采用基于 Transformer 的特征提取器和条件 GRU 解码器，以支持表示学习。可核对的方法特点是将整体运动趋势与逐帧细节修正分离，并通过人体结构先验约束动态表示；具体损失、训练流程及各模块贡献尚未验证。 作者报告，该方法能够恢复具有准确运动和精细几何的动态人体，并适用于单目视频拟合、运动重定向、四维补全及未来预测。摘要未提供数据集、数据划分、对照基线、量化指标或统计结果，因此目前不能判断各任务的提升幅度及泛化边界；实验协议、消融及统计信息尚未验证。 该表示依赖 SMPL 人体结构先验，不能直接等同于适用于 EEG 的时序表示。现有材料不足以建立其几何残差建模与 EEG/BCI 瓶颈之间的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。