MARS：用于三维形状细节化的网格自回归模型

MARS 研究如何从粗粒度三维网格生成细节更丰富、同时保持整体形状一致的网格，核心贡献是多细节层级（Levels of Detail，LODs）、多类别网格表示，以及通过 next-LOD token prediction 生成潜在表示的网格自回归模型。基于摘要分析，未取得论文全文。 原问题与机制：摘要指出，既有基于 Generative Adversarial Networks（GANs）的方法通常为单一类别或相近类别学习特定风格代码，且未在不同 LODs 之间施加几何监督，因而可能限制跨类别泛化与细节化过程中的形状一致性。MARS 利用新的多 LOD、多类别网格表示，在潜在空间中学习跨 LOD 的形状一致表示，再以预测下一 LOD token 的方式生成更细粒度表示。这里的自回归目标是网格细节层级，不应直接等同于神经信号的时间序列预测。 结果与证据边界：作者报告，在 3D Shape Detailization benchmark 上，MARS 的定性与定量评估优于既有方法，达到作者所称的 state-of-the-art，并能在生成细节时保留整体形状完整性。摘要未提供指标名称、数值、数据规模、类别划分或具体对照方法，因此尚不能核对优势幅度及泛化范围。token 构造、潜在表示训练方式、几何监督与损失形式、实验协议、消融及统计信息尚未验证；代码、权重和复现条件也尚未验证。 该研究的主要对象是三维网格生成，而非 EEG/BCI。摘要未建立网格 LOD 与神经信号多尺度结构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；已有 EEG 相关工作尚未检索确认。