MindAdapter：面向跨主体脑-视觉解码模型的少样本参数高效残差校准
计算机视觉与模式识别
2026-05-26 v1
摘要
跨主体脑-视觉解码仍是脑机接口中的核心挑战，由于严重的个体间变异导致系统性的主体特定功能错位。为此，我们提出 MindAdapter，一种用于预训练脑-视觉解码模型的少样本参数高效校准框架。MindAdapter 采用解耦线性-残差级联对齐范式，冻结预训练的显式脑功能对齐主干网络（粗部分），并引入轻量级非线性残差适配器（细部分），从而将全局跨主体对应关系与主体特定残差校正解耦，以实现精细的空间与语义校准。为进一步保持全局表示稳定性，我们设计了基于拓扑锚定的双流 manifold 约束，其中一小部分共享刺激作为具有体素级配对监督的拓扑锚点，语义流则通过冻结视觉-语言解码器在未配对脑数据上实现一致性。总之，MindAdapter 在预训练期间高效注入主体特定校正，同时保持学习到的全局表示几何。在自然场景数据集 (NSD) 上的实验表明，MindAdapter 在仅使用少量共享刺激的情况下显著提升了跨主体视觉重建与检索准确率，为个性化脑-视觉解码提供了实用且数据高效的解决方案。
关键词
引用
@article{arxiv.2605.24679,
title = {MindAdapter: Few-Shot Parameter-Efficient Residual Calibration of Cross-Subject Brain-to-Visual Decoding Models},
author = {Jiaxiang Liu and Jiawei Du and Xupeng Chen and Guoqi Li and Jiang Cai and Simon Fong and Mingkun Xu},
journal= {arXiv preprint arXiv:2605.24679},
year = {2026}
}
备注
Accepted to KDD 2026 (AI4Sciences Track). 15 pages, 7 figures