arXiv cs.AI· Fan Yin, Chuhang Zheng, Peiliang Gong, Donghai Guan, Qi Zhu·· 2 天前AI 评分22
CAIA：认知引导自适应模糊与信息约束对齐的神经视觉解码框架
Neural Visual Decoding via Cognitive guided Adaptive Blurring and Information Constrained Alignment
AI 导读
研究者提出 CAIA 框架，通过认知引导的自适应模糊机制与信息约束对齐方法提升 EEG 视觉解码性能。该框架在视觉侧模拟选择性注意力降低冗余，在 EEG 侧结合神经振荡先验与信息瓶颈启发的频谱稀疏正则化提升信噪比，并引入分布感知边界校准损失修正离群样本对齐偏差。实验表明 CAIA 在零样本脑到图像检索中显著超越此前方法，提升被试依赖与被试独立场景下的平均 Top-1 和 Top-5 准确率。
正文 · AI 翻译
摘要：基于脑电图的视觉解码旨在建立神经信号与视觉语义之间的映射。然而，它仍受制于严重的信息粒度不匹配和脑电信号低信噪比（SNR）的双重挑战。现有方法通常将视觉特征视为静态的，忽略了人类视觉的动态选择性和神经振荡的频率特异性。为弥合这一差距，我们提出了 CAIA，一种用于神经-视觉解码的认知引导自适应模糊与信息约束对齐框架。在视觉侧，它模拟选择性注意以自适应地减少冗余。同时，在脑电侧，它结合神经振荡先验与受信息瓶颈启发的频谱稀疏正则化器以增强信噪比。具体而言，我们设计了一种基于认知动力学的自适应模糊机制，通过跨模态注意力动态整合中心偏置和显著性引导的视觉线索。此外，我们引入了一种分布感知的边界校准损失，以稳健地校正由离群样本引起的对齐偏差。此外，提出了一种认知引导的信息筛选方法来选择任务相关的脑电振荡。大量实验表明，CAIA 在零样本脑到图像检索中提高了被试相关和被试无关的平均 Top-1 和 Top-5 准确率，显著优于先前方法。我们的工作验证了优化视觉信息密度以匹配神经粒度，为神经解码提供了一条更具可解释性和鲁棒性的途径。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.16418 [cs.CV] |
| （或 arXiv:2605.16418v2 [cs.CV] 为此版本） | |
| https://doi.org/10.48550/arXiv.2605.16418 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Fan Yin [查看电子邮件]
[v1]
2026年5月14日星期四 08:50:29 UTC（3,102 KB）
[v2]
2026年10月15日星期四 11:32:27 UTC（4,911 KB）
来源：arXiv cs.AI · arxiv.org