論文の概要: NEvo: Neural-Guided Evolutionary Video Synthesis for Dynamic Visual Selectivity
- arxiv url: http://arxiv.org/abs/2607.02317v1
- Date: Thu, 02 Jul 2026 15:27:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.902431
- Title: NEvo: Neural-Guided Evolutionary Video Synthesis for Dynamic Visual Selectivity
- Title（参考訳）: NEvo: 動的視覚選択のためのニューラルガイドによる進化的ビデオ合成
- Abstract要約: 視覚野全体にわたる標的脳領域に最適化された刺激を生成する新しいニューラル誘導ビデオ合成フレームワークを提案する。
本稿では,ビデオ入力に対するボクセルレベルの応答を予測する動的符号化モデルを用いて,構造化されたプロンプト空間上の進化的探索を行う。
- 参考スコア（独自算出の注目度）: 14.183961200413435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The human brain processes dynamic visual input through hierarchically organized, functionally specialized regions. While recent in silico brain encoding models can synthesize optimal stimuli to probe selectivity in different brain regions, prior work has been largely limited to static images, leaving dynamic visual processing underexplored. We introduce a novel neural-guided video synthesis framework that generates stimuli optimized for target brain regions across visual cortex. Our method performs evolutionary search over a structured prompt space, guided by a dynamic encoding model that predicts voxel-level responses to video inputs. By maximizing predicted activity for a target ROI, the framework efficiently discovers hyper-activating dynamic stimuli that consistently surpass handcrafted localizer videos. The synthesized videos recover known selectivities across ventral, dorsal, and lateral pathways, and further reveal systematic differences in sensitivity to temporal dynamics. A searchlight analysis provides new insight into the progression toward increasingly complex social-dynamic features along the lateral stream, further supported by probing with synthesized abstract, non-naturalistic stimuli. Taken together, our framework enables in silico exploration of dynamic visual selectivity, with new predictions for in vivo experiments
- Abstract（参考訳）: 人間の脳は階層的に組織され、機能的に特殊化された領域を通して動的視覚入力を処理する。
最近のサイリコ脳符号化モデルでは、異なる脳領域における選択性を探索するために最適な刺激を合成することができるが、以前の研究はほとんど静的な画像に限られており、動的視覚処理は未探索のままである。
視覚野全体にわたる標的脳領域に最適化された刺激を生成する新しいニューラル誘導ビデオ合成フレームワークを提案する。
本稿では,ビデオ入力に対するボクセルレベルの応答を予測する動的符号化モデルを用いて,構造化されたプロンプト空間上の進化的探索を行う。
目標ROIの予測アクティビティを最大化することにより、手作りローカライザビデオに一貫して超越したハイパーアクティベーションな動的刺激を効果的に発見する。
合成されたビデオは、腹側、背側、外側の経路にまたがる既知の選択性を回復し、時間的ダイナミクスに対する感受性の体系的な違いを明らかにする。
サーチライト分析は、より複雑な社会力学的特徴が横流に沿って進行していくことへの新たな洞察を与え、さらに合成された抽象的非自然主義的刺激によってさらに支持される。
我々のフレームワークは、動的視覚選択性のシリコ探査を可能にし、新しい生体実験の予測を行う。
関連論文リスト
- NeuroVolve: Evolving Visual Stimuli toward Programmable Neural Objectives [4.586830141349792]
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。
論文 参考訳（メタデータ） (2025-11-29T16:57:59Z) - 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) - Visualizing and Controlling Cortical Responses Using Voxel-Weighted Activation Maximization [0.0]
ディープニューラルネットワーク(DNN)は、人間の視覚系に類似した視覚表現に基づいて訓練されている。
DNNベースの符号化モデルにアクティベーションが適用可能であることを示す。
我々は個々のボクセルで予測応答に最適化された画像を生成する。
論文 参考訳（メタデータ） (2025-06-04T18:48:08Z) - Advances in Radiance Field for Dynamic Scene: From Neural Field to Gaussian Field [85.12359852781216]
本研究では,放射場を用いた動的シーン表現に着目した200以上の論文の体系的分析を行った。
我々は,多種多様な方法論的アプローチを統一的な表現的枠組みの下で組織し,永続的な課題の批判的検討と有望な研究方向性を結論づける。
論文 参考訳（メタデータ） (2025-05-15T07:51:08Z) - 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) - Time-Evolving Dynamical System for Learning Latent Representations of Mouse Visual Neural Activity [35.763262404864996]
Time-Evolving Visual Dynamical System (TE-ViDS) は逐次潜在変数モデルである。
神経活動は時間とともに進化する低次元の潜在表現に分解される。
TE-ViDSは自然主義シーン/ムーブメント上で最高の復号化性能を発揮する。
論文 参考訳（メタデータ） (2024-08-15T03:27:23Z) - Reanimating Images using Neural Representations of Dynamic Stimuli [36.04425924379253]
脳NRDS(Brain-Neural Representations of Dynamic Stimuli)は、動的視覚シーンにおける脳が空間的・時間的情報をどのように表現するかを理解する。
動的視覚刺激に対する人間の反応をより深く理解するためにfMRI脳活動を利用する。
脳画像とビデオ拡散モデルを組み合わせることで、より堅牢で生物学的にインスパイアされたコンピュータビジョンシステムの開発の可能性を示す。
論文 参考訳（メタデータ） (2024-06-04T17:59:49Z) - A spatiotemporal style transfer algorithm for dynamic visual stimulus
generation [0.0]
動的視覚刺激生成フレームワークであるSTSTアルゴリズムを導入する。
これは、動的視覚刺激を生成するために空間的特徴と時間的特徴を分解する2ストリームのディープニューラルネットワークモデルに基づいている。
提案アルゴリズムは, 層活性化を自然なビデオと一致させる動的刺激であるモデルメタマーの生成を可能にすることを示す。
論文 参考訳（メタデータ） (2024-03-07T23:07:46Z) - Diffusion Priors for Dynamic View Synthesis from Monocular Videos [59.42406064983643]
ダイナミックノベルビュー合成は、ビデオ内の視覚的コンテンツの時間的進化を捉えることを目的としている。
まず、ビデオフレーム上に予め訓練されたRGB-D拡散モデルをカスタマイズ手法を用いて微調整する。
動的および静的なニューラルレイディアンス場を含む4次元表現に、微調整されたモデルから知識を蒸留する。
論文 参考訳（メタデータ） (2024-01-10T23:26:41Z) - On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。
我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
論文 参考訳（メタデータ） (2023-07-28T13:22:32Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Neural Scene Flow Fields for Space-Time View Synthesis of Dynamic Scenes [70.76742458931935]
本稿では,動的シーンを外観・幾何学・3次元シーン動作の時間変化連続関数としてモデル化する新しい表現を提案する。
私たちの表現は、観測された入力ビューに適合するようにニューラルネットワークを介して最適化されます。
我々の表現は、細い構造、ビュー依存効果、自然な動きの度合いなどの複雑な動的シーンに利用できることを示す。
論文 参考訳（メタデータ） (2020-11-26T01:23:44Z)
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。