論文の概要: NeuroVolve: Evolving Visual Stimuli toward Programmable Neural Objectives

• arxiv url: http://arxiv.org/abs/2512.00557v1
• Date: Sat, 29 Nov 2025 16:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.294845
• Title: NeuroVolve: Evolving Visual Stimuli toward Programmable Neural Objectives
• Title（参考訳）: NeuroVolve: プログラマブルなニューラルオブジェクトに向けた視覚刺激の進化
• Authors: Haomiao Chen, Keith W Jamison, Mert R. Sabuncu, Amy Kuceyeski,
• Abstract要約: NeuroVolveは脳誘導画像合成を提供する生成フレームワークである。 我々は,NeuroVolveが単一ROIに対して低レベルかつセマンティックな特徴特異的刺激を生成できることを示した。
• 参考スコア（独自算出の注目度）: 4.586830141349792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: What visual information is encoded in individual brain regions, and how do distributed patterns combine to create their neural representations? Prior work has used generative models to replicate known category selectivity in isolated regions (e.g., faces in FFA), but these approaches offer limited insight into how regions interact during complex, naturalistic vision. We introduce NeuroVolve, a generative framework that provides brain-guided image synthesis via optimization of a neural objective function in the embedding space of a pretrained vision-language model. Images are generated under the guidance of a programmable neural objective, i.e., activating or deactivating single regions or multiple regions together. NeuroVolve is validated by recovering known selectivity for individual brain regions, while expanding to synthesize coherent scenes that satisfy complex, multi-region constraints. By tracking optimization steps, it reveals semantic trajectories through embedding space, unifying brain-guided image editing and preferred stimulus generation in a single process. We show that NeuroVolve can generate both low-level and semantic feature-specific stimuli for single ROIs, as well as stimuli aligned to curated neural objectives. These include co-activation and decorrelation between regions, exposing cooperative and antagonistic tuning relationships. Notably, the framework captures subject-specific preferences, supporting personalized brain-driven synthesis and offering interpretable constraints for mapping, analyzing, and probing neural representations of visual information.
• Abstract（参考訳）: 個々の脳領域にどのような視覚情報がエンコードされているのか、分散パターンはどのように結合して神経表現を生成するのか? 以前の研究では、孤立した領域(例えば、FFAの顔)における既知のカテゴリ選択性を再現するために生成モデルを使用していたが、これらのアプローチは、複雑な自然主義的なビジョンの間、どのように領域が相互作用するかについての限られた洞察を与えている。 我々は、前訓練された視覚言語モデルの埋め込み空間において、神経目的関数の最適化を通じて脳誘導画像合成を提供する生成フレームワークであるNeuroVolveを紹介する。 画像は、プログラム可能な神経目標、すなわち単一の領域または複数の領域を一緒に活性化または非活性化するガイダンスに基づいて生成される。 NeuroVolveは、複雑な多領域制約を満たすコヒーレントなシーンを合成するように拡張しながら、個々の脳領域の既知の選択性を回復することで検証される。 最適化ステップを追跡することで、埋め込み空間を通じて意味的軌跡を明らかにし、脳誘導画像編集と優先刺激生成を単一のプロセスで統合する。 我々は、NeuroVolveが単一のROIに対して低レベルの特徴特異的刺激と意味的刺激の両方を生成できることを示した。 これには、地域間の共活性化と非相関、協調的および対角的なチューニング関係の露呈が含まれる。 このフレームワークは、パーソナライズされた脳駆動合成をサポートし、視覚情報のマッピング、分析、探索のための解釈可能な制約を提供する。

関連論文リスト

• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• MindSimulator: Exploring Brain Concept Localization via Synthetic FMRI [11.463093725231971]
  ヒト大脳皮質における概念選択領域は、特定の概念に関連する特定の視覚刺激に応答して顕著な活性化を示す。 従来の実験駆動型アプローチは手作業による視覚刺激収集とそれに対応する脳活動記録に基づいている。 広範囲な脳活動記録を合成することにより、様々な概念選択領域を統計的に局在させる。
  論文  参考訳（メタデータ） (2025-03-04T07:20:42Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Brain Mapping with Dense Features: Grounding Cortical Semantic Selectivity in Natural Images With Vision Transformers [5.265058307999745]
  本稿では,自然界における空間分布型視覚概念とニューラルセレクティビティを関連付ける方法であるBrainSAILを紹介する。 BrainSAILは、事前訓練された視覚モデルから意味的に一貫性があり、密集した空間的特徴を利用する。 カテゴリー選択性のある大脳皮質領域におけるBrainSAILの評価を行った。
  論文  参考訳（メタデータ） (2024-10-07T17:59:45Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Brain Diffusion for Visual Exploration: Cortical Discovery using Large Scale Generative Models [6.866437017874623]
  我々は,自然画像とfMRI記録を用いて,与えられた脳領域を活性化するために予測される画像を合成する,データ駆動型アプローチを提案する。 提案手法は,脳誘導画像合成と大規模拡散モデルを組み合わせた最近の生成法に基づいている。 これらの結果は、人間の視覚野の微細な機能的構造に対する理解を深めるものである。
  論文  参考訳（メタデータ） (2023-06-05T17:59:05Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Drop, Swap, and Generate: A Self-Supervised Approach for Generating Neural Activity [33.06823702945747]
  我々はSwap-VAEと呼ばれる神経活動の不整合表現を学習するための新しい教師なしアプローチを導入する。 このアプローチは、生成モデリングフレームワークとインスタンス固有のアライメント損失を組み合わせたものです。 我々は、行動に関連付けられた関連する潜在次元に沿って、ニューラルネットワークをアンタングルする表現を構築することが可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-03T16:39:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。