Transformer 结构的多目标跟踪（MTT）同时学习数据关联和状态估计，但 MT3/Track‑MT3 系列方法会在每帧重新编码测量窗口，导致计算冗余。我们提出 因果神经集合过滤（CNSF），只对当前测量进行编码，并在结构化的递归轨迹状态中携带过去证据。CNSF 通过三大机制实现高效且鲁棒的跟踪：
- 独占 Sinkhorn 关联 强制软一对一匹配，避免冲突分配；
- 关联条件的 Kalman 形更新 结合矩匹配，将测量不确定性传播到状态分布；
- 循环 Bernoulli 生命周期模型 配合测量驱动的目标出生，能够在漏检和出生‑死亡转变下估计目标存在概率。
这些机制共同实现了软约束、一致的不确定性传播以及对目标出现与消失的自适应建模。在一个包含三种运动模式的模拟测试集上，CNSF 相比 Track‑MT3 将平均 GOSPA 和 T‑GOSPA 分别降低了 19.3% 和 30.4%，参数量减少 55.9%，单线程 CPU 推理速度提升 3.76 倍。代码实现已开源，详见 Code。
点评