使用条件可逆神经网络优化视网膜假体刺激
计算机视觉与模式识别
2024-07-16 v2 机器学习
摘要
植入式视网膜假体通过绕过视网膜中受损的感光细胞并直接刺激剩余的功能性视网膜细胞，为恢复部分视力提供了一种有前景的解决方案。然而，摄像头与视网膜细胞之间的信息传输往往受限于电极阵列的低分辨率以及对不同神经节细胞类型的缺乏特异性，导致刺激效果欠佳。在本工作中，我们提出利用基于归一化流的条件可逆神经网络，以无监督方式优化视网膜植入物刺激。这些网络的可逆性使我们能够将其作为视觉系统计算模型的替代模型，同时将输入摄像头信号编码为电极阵列上的优化电刺激。与其他方法（如平凡下采样、线性模型和前馈卷积神经网络）相比，基于流的可逆神经网络及其条件扩展在使用经生理学验证的仿真工具时，在多项指标上均获得了更好的视觉重建质量。
引用
@article{arxiv.2403.04884,
title = {Optimizing Retinal Prosthetic Stimuli with Conditional Invertible Neural Networks},
author = {Yuli Wu and Julian Wittmann and Peter Walter and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2403.04884},
year = {2024}
}