Fugu-MT 論文翻訳(概要): FSDBN: Foreground-Aware EEG-Visual Alignment via Dynamic Brain Networks

論文の概要: FSDBN: Foreground-Aware EEG-Visual Alignment via Dynamic Brain Networks

arxiv url: http://arxiv.org/abs/2607.18344v2
Date: Wed, 22 Jul 2026 04:34:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-23 16:42:31.653277
Title: FSDBN: Foreground-Aware EEG-Visual Alignment via Dynamic Brain Networks
Title（参考訳）: FSDBN: 動的脳ネットワークによる脳波画像アライメント
Abstract要約: 脳波に基づく視覚的デコーディングは、視覚的意味論を解釈するための非侵襲的な経路を提供する。我々は,ロバストな脳波視覚デコーディングのための統合フレームワークFSDBを提案する。 FSDBは69.0パーセントのトップ1の精度と92.2%のトップ5の精度を達成し、従来の最先端の手法よりも優れている。
参考スコア（独自算出の注目度）: 27.513958973574912
License: http://creativecommons.org/licenses/by/4.0/
Abstract: EEG-based visual decoding provides a non-invasive pathway for interpreting visual semantics. However, existing methods often overlook the perceptual asymmetry between foreground and background in complex scenes, leading to background interference and semantic misalignment. EEG signals also exhibit rapid temporal dynamics and nonstationary spatial patterns, making it difficult to capture the time-varying brain connectivity associated with focal visual attention. To address these limitations, we propose FSDBN, a unified framework for robust EEG-visual decoding. FSDBN introduces Semantic-Consistent Saliency Alignment to separate semantically relevant foreground regions from background noise under joint saliency and semantic constraints. It further employs Semantic-Prior Dynamic Gating Foreground Fusion to adaptively regulate the contributions of foreground and background features. In parallel, EEG signals are modeled as adaptive spatiotemporal brain networks whose functional connectivity dynamically reorganizes to capture neural responses to salient foregrounds. Experiments on zero-shot brain-to-image retrieval demonstrate that FSDBN achieves 69.0 percent top-1 accuracy and 92.2 percent top-5 accuracy, outperforming previous state-of-the-art methods. Code is available at https://github.com/LiuYiheng1/FSDBN-EEG.
Abstract（参考訳）: 脳波に基づく視覚的デコーディングは、視覚的意味論を解釈するための非侵襲的な経路を提供する。しかし、既存の手法はしばしば、複雑な場面における前景と背景の間の知覚的非対称性を見落とし、背景の干渉や意味的な不一致につながる。脳波信号はまた、急激な時間的ダイナミクスと非定常的な空間パターンを示し、焦点の視覚的注意に関連する時間変化した脳の接続を捉えるのが困難である。これらの制約に対処するため、我々は、堅牢な脳波視覚復号のための統合フレームワークであるFSDBNを提案する。 FSDBNはセマンティック・コンスタント・サリエンス・アライメントを導入し、セマンティック・サリエンス・アライメント(Semantic-Consistent Saliency Alignment)とセマンティック・サリエンス・アライメント(Semantic-Consistent Saliency Alignment)を導入し、セマンティック・アライメント(Semantic-Consistent Saliency Alignment)とセマンティック・サリエンス・アライメント(Semantic-Consistent Saliency Alignment)とセマンティック・アライメント(Semantic-Consistent Saliency Align さらにSemantic-Prior Dynamic Gating Foreground Fusionを採用し、フォアグラウンドとバックグラウンドの特徴の貢献を適応的に規制している。並行して、脳波信号は適応時空間脳ネットワークとしてモデル化され、機能的接続が動的に再編成され、正常な前景への神経反応を捉える。ゼロショット脳画像検索の実験では、FSDBNは69.0パーセントのトップ1の精度と92.2%のトップ5の精度を達成し、従来の最先端の手法よりも優れていた。コードはhttps://github.com/LiuYiheng1/FSDBN-EEGで入手できる。

関連論文リスト

Dynamic-Robust Photometric-Semantic Reconstruction for Open-Vocabulary 3D Scene Understanding [63.599342750566485]
SPARは、潜在空間アグリゲーションの前に過渡的ダイナミックノイズを明示的に分離する新しい意味幾何学的エンコーディングアーキテクチャである。エンド・ツー・エンドのアプローチは例外的な新規なビュー合成品質を実現し、PSNRは22.15dB、23.33dBでそれぞれ3と4の入力ビューしか与えられなかった。
論文参考訳（メタデータ） (2026-08-29T09:58:24Z)
MindAlign: Bridging EEG, Vision, and Language for Zero-Shot Visual Decoding [36.958608375007124]
脳信号からの視覚的復号化は、コンピュータビジョンと神経科学の交差において重要な課題である。本稿では,脳波,視覚,テキスト表現の整合性を考慮した,脳波に基づく視覚的デコーディングのための3モーダルコントラストフレームワークを提案する。
論文参考訳（メタデータ） (2026-05-23T11:23:21Z)
LaCoVL-FER: Landmark-Guided Contrastive Learning Network with Vision-Language Enhancement for Facial Expression Recognition [51.70817823155725]
顔表情認識のための視覚言語強化型ランドマーク誘導型コントラスト学習ネットワーク(FER)を提案する。 LaCoVL-FERは、顔のランドマークと視覚言語モデルからのセマンティックな事前情報を統合する。実験により、LaCoVL-FERは3つの代表的な実世界のFERデータセット上で最先端のメソッドより優れていることが示された。
論文参考訳（メタデータ） (2026-05-19T13:15:41Z)
SIMON: Saliency-aware Integrative Multi-view Object-centric Neural Decoding [1.491109220586182]
SIMONは、ゼロショット脳波画像検索のためのサリエンシ対応マルチビューフレームワークである。 THINGS-EEGでは、SIMONはオブジェクト内設定とオブジェクト間設定の両方で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-05-01T04:43:24Z)
EEG-Driven Image Reconstruction with Saliency-Guided Diffusion Models [4.815274507478168]
既存の脳波駆動画像再構成法は、しばしば空間的注意機構を見落とし、忠実さとセマンティックコヒーレンスを制限する。本稿では,脳波の埋め込みと空間空間分布マップを組み合わせることで画像生成を向上する2つの条件付けフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-30T11:34:37Z)
Decouple before Align: Visual Disentanglement Enhances Prompt Tuning [85.91474962071452]
プロンプトチューニング(PT)は、視覚言語モデルのタスク固有の伝達性を改善する際、顕著な効果を示した。本稿では,従来見過ごされていた情報非対称性の問題について述べる。本稿では,直感的なデカプリアライン概念に基づく効果的なPTフレームワークであるDAPTを提案する。
論文参考訳（メタデータ） (2025-08-01T07:46:00Z)
CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文参考訳（メタデータ） (2024-12-13T16:27:54Z)
BrainVis: Exploring the Bridge between Brain and Visual Signals via Image Reconstruction [7.512223286737468]
脳信号からの視覚刺激の分析と再構成は、人間の視覚系の理解を効果的に進める。しかし、脳波信号は複雑であり、大きなノイズを含む。これにより、脳波からの視覚刺激再建の既存の作品にかなりの制限が生じる。我々はこれらの課題に対処するためにBrainVisと呼ばれる新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-12-22T17:49:11Z)
Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文参考訳（メタデータ） (2023-03-26T14:14:58Z)
TSception: Capturing Temporal Dynamics and Spatial Asymmetry from EEG for Emotion Recognition [9.825158483198113]
TSceptionは、情動性脳波(EEG)から時相ダイナミクスを学ぶためのマルチスケール畳み込みニューラルネットワークである提案手法は, 今後, 感情認識のための感情調節療法に用いることができる。
論文参考訳（メタデータ） (2021-04-07T06:10:01Z)
Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文参考訳（メタデータ） (2020-07-10T14:01:20Z)
Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
論文参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。