PoNQ：基于神经 QEM 的网格表示

基于摘要分析。该研究针对多边形网格的不规则性与组合结构不利于学习式应用的问题，提出可学习网格表示 PoNQ，以局部三维采样点、对应法向量及相对于目标形状的 Quadric error metrics（QEM，二次误差度量）共同编码表面，并利用局部二次误差信息直接构建全局网格。 核心机制是将局部几何误差纳入神经形状表示，而不依赖规则网格作为表示载体。作者称该表示仅需目标表面直接监督，并可处理带边界的开放表面和尖锐特征。作者同时声称，所构建的 PoNQ 网格具有无自交、始终构成某个体积边界的拓扑与几何保证；这些保证的假设条件，以及它们与开放表面处理之间的具体关系，需要核对正文。 实验以从 SDF（有符号距离场）网格预测网格为任务。作者报告，在该评估背景下，PoNQ 的表面与边相关指标优于近期先进方法；摘要未提供数据集、划分、具体指标名称、数值或对照方法，尚不能判断优势幅度与适用范围。表示本身不依赖规则网格，不等于该演示任务的输入不使用网格。 网络结构、QEM 的预测或参数化方式、训练损失、全局网格提取步骤、实验协议、消融及统计信息尚未验证。该论文的主要对象是三维形状与网格表示，所给材料未建立其与 EEG/BCI 信号建模的具体机制联系，因此不据此推导 BCI 有效性或提出迁移实验。