AVM：面向视觉皮层跨刺激与个体的结构保持神经响应建模
计算机视觉与模式识别
2025-12-22 v1
摘要
尽管深度学习模型在模拟神经响应方面表现出色，但往往难以清晰区分稳定的视觉编码与条件特定的适应性，这限制了其在刺激和个体之间泛化的能力。我们引入自适应视觉模型(AVM)，一种结构保持框架， enables condition-aware adaptation through模块化子网络，而不修改核心表示。AVM保持Vision Transformer基座编码器冻结，以捕获一致的视觉特征，而独立训练的调制路径则负责由刺激内容和主体身份驱动的神经响应变化。我们在三个实验场景中评估了AVM，包括刺激水平变化、跨主体泛化和跨数据集适应，所有这些场景都涉及输入和个体的结构性变化。在两大型小鼠V1数据集上，AVM相对于最先进的V1T模型在预测相关性上提升约2%，显示出稳健的泛化能力、可解释的条件相关调制以及高效的体系结构。具体而言，在跨数据集适应设置下，AVM在解释方差(FEVE)上实现了9.1%的提升。这些结果表明，AVM提供了一个在生物和实验条件下进行自适应神经建模的统一框架，为结构约束下的可扩展解决方案。其设计可能为未来在神经科学和仿生AI系统中的皮层建模提供灵感。
引用
@article{arxiv.2512.16948,
title = {AVM: Towards Structure-Preserving Neural Response Modeling in the Visual Cortex Across Stimuli and Individuals},
author = {Qi Xu and Shuai Gong and Xuming Ran and Haihua Luo and Yangfan Hu},
journal= {arXiv preprint arXiv:2512.16948},
year = {2025}
}