SCADE：利用歧义感知深度估计与空间雕刻构建 NeRF

基于摘要分析。SCADE 研究真实场景室内环境中，稀疏且不受约束的输入视图下 NeRF 的三维重建问题，核心贡献是将单目深度估计的不确定性表示为多模态深度分布，再通过空间雕刻损失融合多视图深度假设，约束共同的场景几何。 方法机制：稀疏视图提供的体渲染约束不足，容易使 NeRF 重建产生歧义。作者利用可跨场景泛化的单目深度估计模型提供逐视图几何先验，但不将单一深度预测当作确定真值，而是采用 conditional Implicit Maximum Likelihood Estimation（cIMLE），学习预测每个视图的连续、多模态深度估计分布。随后，空间雕刻损失引导 NeRF 融合各视图的多个候选深度图，从中提取与所有视图一致的共同几何。其关键区别在于保留单目深度的多解性，再利用多视图约束消解歧义。 结果与验证边界：作者报告，在稀疏视图条件下，该方法能够提高新视角合成的保真度。摘要未提供具体数据集、输入视图数量、划分方式、对照基线或量化指标；损失的数学形式、深度模型训练条件、实验协议、消融及统计信息尚未验证，复现所需实现与计算资源也需查阅正文及项目材料。 领域边界：原论文处理的是二维图像驱动的三维场景重建，机制依赖逐视图深度先验及跨视角几何一致性。当前材料没有建立这些结构与 EEG/BCI 任务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。