StableMind：基于正则化适应的源自由跨主观 fMRI 解码
计算机视觉与模式识别
2026-05-05 v1
摘要
现有的跨主观 fMRI 解码方法通常在多个扫描主观上训练模型，然后通过大量配对 fMRI 图像数据来适应新主观。然而，在现实情况下，新主观的 fMRI 数据常常因数据获取成本高昂而有限，此外来自以前主观的数据可能无法获取，导致现有方法在新主观适应期间表现下降。本文指出，这种下降源自两个关键问题：由 fMRI 响应在不同主观之间差异大导致的脑侧不稳定性，以及由细粒度视觉细节引起的图像侧监督不可靠性，这些细节在有限的 fMRI 信号支持下不可靠。为解决这些挑战，我们提出了 StableMind，一种正则化适应框架，旨在改进脑侧表示的稳定性和图像侧监督的可靠性。（1）为稳定脑表征，StableMind 重用来自预训练模型的 ridge 投影作为适应先验，以约束有限数据新主观适应，并应用基于 Fourier 的特征级脑数据增强以提高对个体变异性的鲁棒性。（2）为改善图像监督的可靠性，StableMind 引入难度感知的图像模糊进行脑-图像对齐，通过减少在有限 fMRI 信号支持下弱ly 支持的细粒度视觉细节的影响，同时保留稳定的视觉结构。在统一的1小时适应协议下，对自然场景数据集进行实验，表明 StableMind 在四个主观上实现了 84.02% 的图像检索准确率和 81.66% 的脑检索准确率，超过最新方法的 5.71% 脑检索准确率，同时使用更少的可训练适应参数。我们的代码可在 https://github.com/lingeringlight/StableMind 上获取。
引用
@article{arxiv.2605.02586,
title = {StableMind: Source-Free Cross-Subject fMRI Decoding with Regularized Adaptation},
author = {Jintao Guo and Lin Wang and Shumeng Li and Jian Zhang and Yulin Zhou and Luyang Cao and Hairong Zheng and Yinghuan Shi},
journal= {arXiv preprint arXiv:2605.02586},
year = {2026}
}
备注
13 pages, 7 figures