Mind2Cloud: EEG-to-Point Cloud Generation with Two-Granularity Diffusion Decoding
Yongyi Lu, Xiongfeng Huang, Zhijing Yang
ECCV 2026 主会 · Springer 正式论文集 · 2026-09-18 在线发表
OVERVIEW
论文概览
用随扩散时间步变化的 Transformer 与 Point-Voxel CNN 融合策略，从 EEG 先恢复整体结构，再细化点云几何。
ABSTRACT
中文摘要
从脑信号重建三维物体，为理解人类视觉认知提供了一条有前景的途径。尽管既有工作已在利用 EEG 信号进行三维重建方面取得初步成功，现有方法通常使用统一的扩散解码器，忽略了 EEG 表征与扩散去噪过程各自不断变化的语义粒度。本文提出 Mind2Cloud，一种基于双粒度扩散解码的新型 EEG 到点云生成框架。其核心是一个时间感知解码器，通过可学习融合掩膜，在扩散时间步之间整合全局 Transformer 分支与局部 Point-Voxel CNN（PVCNN）分支。具体而言，在较早的上采样阶段加入 Transformer 层，以在高不确定性下捕捉物体的全局结构；在较晚阶段使用 PVCNN 模块，细化局部几何细节。受 EEG 视觉表征层次性的启发，该设计使空间粒度随扩散去噪的粗到细轨迹动态调整。我们进一步引入对抗细化模块，增强几何真实性与语义一致性。在 EEG-3D 数据集全部 12 名被试上的全面实验表明，Mind2Cloud 在几何准确性与语义对齐方面均优于已有工作，为 EEG 到点云生成建立了新的基准。源代码公开于 https://github.com/duasoi/Mind2Cloud。
RESEARCH RELEVANCE
与你研究的关系
论文事实：模型以 EEG 为条件生成三维点云，并在 12 名被试上比较全局结构与局部几何质量。研究推断：双粒度生成可用于分离共享语义核心与模态特异细节，进一步比较 EEG 时间信息与 fMRI 空间信息是否分别约束几何的不同层次。
LIMITATIONS
局限与核查重点
“全部 12 名被试”不等于严格留一被试泛化，需核查训练测试协议和类别是否独立。点云几何与语义指标改善不证明恢复了连续真实视觉经验；生成器及数据集形状先验的贡献需与零 EEG、错误 EEG 和仅类别条件比较。
SOURCE
来源与原文
ECCV 2026 主会 · Springer 正式论文集 · 2026-09-18 在线发表
Yongyi Lu, Xiongfeng Huang, Zhijing Yang. Mind2Cloud: EEG-to-Point Cloud Generation with Two-Granularity Diffusion Decoding. ECCV 2026 主会 · Springer 正式论文集 · 2026-09-18 在线发表. https://link.springer.com/chapter/10.1007/978-3-032-37032-7_6