训练期运动与重力先验引导三维重建

基于摘要分析。本文研究多视图三维重建中，前馈 transformer 主要依赖外观注意力、在动态场景及几何线索不足时表现受限的问题，提出基于 Learning Using Privileged Information（LUPI，利用特权信息学习）的运动与重力感知框架。核心贡献是在训练阶段利用额外物理与运动信号引导几何表征，而推理阶段仅使用标准视觉输入。 方法将残差光流和重力方向作为训练时的特权信号，通过轻量架构改动注入 transformer 骨干。摘要未说明残差光流的计算方式、重力方向的获取方式、具体注入算子或损失函数，因此尚不能判断其监督成本及实现细节。 作者报告，在标准基准上的重建精度与鲁棒性均有一致提升，尤其适用于含动态物体、结构歧义及复杂相机运动的场景；但摘要未给出基准名称、数据划分、对照设置及量化指标。作者还报告，较优注入位置依赖骨干：VGGT 通常更适合中间层注入，π3 则更适合后期注入。作者称该方法保留前馈效率且不增加测试时复杂度，具体计算量、延迟与参数开销尚未验证。实验协议、消融及统计信息尚未验证。 本文的主要对象是视觉三维重建，而非 EEG 或 BCI。训练时利用额外信息、推理时移除该依赖的思路具有一般方法参考价值，但残差光流与重力先验并无材料支持的 EEG 对应机制，不能据此推断神经信号解码收益；相关 EEG 工作尚未检索确认。复现前需核对特权信号生成流程、不同骨干的注入实现，以及训练与推理阶段的信息边界。