基于认知引导的自适应模糊与信息受限对齐的神经视觉解码
计算机视觉与模式识别
2026-05-19 v1 人工智能
摘要
EEG基准的视觉解码旨在在神经信号和视觉语义之间建立映射。然而，它受限于严重的信息粒度不匹配和EEG信号的信噪比（SNR）低。现有方法通常处理静态视觉特征，忽视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框架，即Cognitive-guided Adaptive Blurring with Information-Constrained Alignment，用于神经-视觉解码。在视觉侧，它模拟选择性注意以自适应降低冗余度。同时，在EEG侧，它利用神经振荡先验和信息瓶颈机制来增强SNR。具体而言，我们构思了基于认知动态的自适应模糊机制，通过跨模态注意力动态整合中心偏置和盲点引导的视觉线索。此外，我们引入分布感知边界校准损失以稳健�正正在离群样本引起的对齐偏差。此外，提出了一种受认知指导的信息筛选方法，用于选择任务相关的EEG振荡。广泛的实验表明，CAIA在零样本脑-图像检索中显著提升了主观依赖和主观独立的平均Top-1和Top-5准确率，显著优于先前方法。我们的工作验证，优化视觉信息密度以匹配神经粒度提供了一条更具可解释性和鲁棒性的神经解码路径。
引用
@article{arxiv.2605.16418,
title = {Neural Visual Decoding via Cognitive guided Adaptive Blurring and Information Constrained Alignment},
author = {Fan Yin and Chuhang Zheng and Peiliang Gong and Donghai Guan and Qi Zhu},
journal= {arXiv preprint arXiv:2605.16418},
year = {2026}
}