論文の概要: Brain-Inspired Capture: Evidence-Driven Neuromimetic Perceptual Simulation for Visual Decoding

• arxiv url: http://arxiv.org/abs/2604.17927v1
• Date: Mon, 20 Apr 2026 08:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.756094
• Title: Brain-Inspired Capture: Evidence-Driven Neuromimetic Perceptual Simulation for Visual Decoding
• Title（参考訳）: 脳にインスパイアされたキャプチャー:視覚復号のためのエビデンス駆動型神経模倣的知覚シミュレーション
• Authors: Feixue Shao, Guangze Shi, Xueyu Liu, Yongfei Wu, Mingqiang Wei, Jianan Zhang, Jianbo Lu, Guiying Yan, Weihua Yang,
• Abstract要約: Brain-Inspired Capture (BI-Cap) は、神経と視覚のモダリティを整列させる神経模倣的な知覚シミュレーションのパラダイムである。 BI-Capは最先端の手法を大幅に上回り、それぞれ9.2%と8.0%の相対的な利得を達成している。
• 参考スコア（独自算出の注目度）: 28.75188553928776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual decoding of neurophysiological signals is a critical challenge for brain-computer interfaces (BCIs) and computational neuroscience. However, current approaches are often constrained by the systematic and stochastic gaps between neural and visual modalities, largely neglecting the intrinsic computational mechanisms of the Human Visual System (HVS). To address this, we propose Brain-Inspired Capture (BI-Cap), a neuromimetic perceptual simulation paradigm that aligns these modalities by emulating HVS processing. Specifically, we construct a neuromimetic pipeline comprising four biologically plausible dynamic and static transformations, coupled with Mutual Information (MI)-guided dynamic blur regulation to simulate adaptive visual processing. Furthermore, to mitigate the inherent non-stationarity of neural activity, we introduce an evidence-driven latent space representation. This formulation explicitly models uncertainty, thereby ensuring robust neural embeddings. Extensive evaluations on zero-shot brain-to-image retrieval across two public benchmarks demonstrate that BI-Cap substantially outperforms state-of-the-art methods, achieving relative gains of 9.2\% and 8.0\%, respectively. We have released the source code on GitHub through the link https://github.com/flysnow1024/BI-Cap.
• Abstract（参考訳）: 神経生理学的信号の視覚的復号化は脳-コンピュータインタフェース(BCI)と計算神経科学にとって重要な課題である。 しかしながら、現在のアプローチは、しばしば、人間の視覚システム(HVS)の本質的な計算機構を無視した、神経と視覚のモダリティの体系的および確率的ギャップによって制約される。 そこで我々は,HVS処理をエミュレートすることで,これらのモダリティを整列させる神経模倣的知覚シミュレーションパラダイムであるBrain-Inspired Capture (BI-Cap)を提案する。 具体的には、4つの生物学的に妥当な動的および静的な変換と、相互情報(MI)誘導の動的ぼかし制御を組み合わせたニューロミメティックパイプラインを構築し、適応的な視覚処理をシミュレートする。 さらに,神経活動の非定常性を緩和するために,エビデンス駆動の潜在空間表現を導入する。 この定式化は明確に不確実性をモデル化し、堅牢な神経埋め込みを保証する。 2つの公開ベンチマークにおけるゼロショット脳画像検索の広範囲な評価は、BI-Capが最先端の手法を大幅に上回っており、それぞれ9.2\%と8.0\%の相対的なゲインを達成していることを示している。 ソースコードはGitHubにhttps://github.com/flysnow1024/BI-Cap.comのリンクで公開しました。

関連論文リスト

• NeuroFlow: Toward Unified Visual Encoding and Decoding from Neural Activity [24.3997474807816]
  NeuroFlowは、視覚的エンコーディングと神経活動からのデコーディングを共同でモデル化する最初の統合フレームワークである。 視覚的符号化と復号化は、統一モデリングのための共有潜在空間内での時間依存的、可逆的なプロセスとして初めて再構成される。
  論文  参考訳（メタデータ） (2026-04-10T18:49:44Z)
• Achieving Fine-grained Cross-modal Understanding through Brain-inspired Hierarchical Representation Learning [20.602643947067406]
  本稿では,人間の視覚系の階層構造にインスパイアされた,微細なfMRI映像アライメントのための新しいフレームワークであるNeuroAlignを紹介する。 我々のフレームワークは,生物の視覚経路を反映する2段階のメカニズムを実装している。 実験により、NeuroAlignはクロスモーダル検索タスクにおいて既存の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-04T02:54:29Z)
• 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)
• BrainFLORA: Uncovering Brain Concept Representation via Multimodal Neural Embeddings [19.761793010311614]
  我々は、相互モーダルなニューロイメージングデータを統合する統合フレームワークBrainFLORAを導入し、共有されたニューラル表現を構築する。 提案手法では,マルチモーダル大規模言語モデル (MLLM) に適応型アダプタとタスクデコーダを付加し,共同オブジェクト視覚検索における最先端性能を実現する。 BrainFLORAは認知神経科学と脳-コンピュータインターフェース(BCI)に新しい意味を与える
  論文  参考訳（メタデータ） (2025-07-13T18:56:17Z)
• Unidirectional brain-computer interface: Artificial neural network encoding natural images to fMRI response in the visual cortex [12.1427193917406]
  本稿では,人間の脳を模倣する人工ニューラルネットワークVISIONを提案する。 VISIONは、人間の血行動態の反応をfMRIボクセル値として、最先端の性能を超える精度で45%の精度で予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-26T15:38:26Z)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• Adapting Brain-Like Neural Networks for Modeling Cortical Visual Prostheses [68.96380145211093]
  皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。 現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。 我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2022-09-27T17:33:19Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)

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。