arXiv cs.AI· Wenjiang Zhang, Sifeng Wang, Yuwei Su, Xinyu Li, Chen Zhang, Suyu Zhong·· 13 小时前AI 评分31
NeuroBridge：基于认知先验与双向语义对齐的自监督 EEG 到图像解码
NeuroBridge: Bio-Inspired Self-Supervised EEG-to-Image Decoding via Cognitive Priors and Bidirectional Semantic Alignment
AI 导读
自监督架构 NeuroBridge 通过认知先验增强（CPA）与共享语义投影器（SSP）实现 EEG 到图像的双向语义对齐，在 200 类零样本检索任务中，被试内场景 top-1 准确率提升 12.3% 至 63.2%，top-5 提升 10.2% 至 89.9%。该方法在被试内与被试间设置下均超越此前 SOTA，论文已被 AAAI 2026 接收。
正文 · AI 翻译
摘要：视觉神经解码旨在从大脑活动模式中重建或推断所感知的视觉刺激，为理解人类认知提供关键洞见，并在脑机接口和人工智能领域带来变革性应用。然而，当前方法仍受限于高质量刺激—大脑响应配对数据的稀缺，以及神经表征与视觉内容之间固有的语义失配。受生物系统感知变异性和协同适应策略的启发，我们提出了一种名为 NeuroBridge 的新型自监督架构，它将认知先验增强（CPA）与共享语义投影器（SSP）相结合，以促进有效的跨模态对齐。具体而言，CPA 通过对 EEG 信号和图像施加非对称的、模态特定的变换来模拟感知变异性，从而增强语义多样性。与以往方法不同，SSP 通过协同适应策略建立双向对齐过程，将两种模态的特征相互对齐到共享语义空间中，以实现有效的跨模态学习。NeuroBridge 在被试内和被试间两种设置下均超越了此前的最先进方法。在被试内场景中，它在 top-1 准确率上提升 12.3%，在 top-5 准确率上提升 10.2%，在 200 类零样本检索任务上分别达到 63.2% 和 89.9%。大量实验证明了所提出框架在神经视觉解码中的有效性、鲁棒性和可扩展性。
| 评论： | AAAI 2026 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2511.06836 [cs.CV] |
| （或本版本的 arXiv:2511.06836v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2511.06836 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Wenjiang Zhang [查看邮箱]
[v1]
2025年11月10日 星期一 08:29:09 UTC（1,806 KB）
[v2]
2026年10月29日 星期四 10:30:33 UTC（2,057 KB）
来源：arXiv cs.AI · arxiv.org