論文の概要: Brain-to-Image Generation: Reconstructing Visual Stimuli from EEG using Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2609.22282v1
- Date: Sun, 13 Sep 2026 03:26:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 03:38:27.363637
- Title: Brain-to-Image Generation: Reconstructing Visual Stimuli from EEG using Generative Adversarial Networks
- Title（参考訳）: 脳から画像への生成:ジェネレーティブ・ディバイサル・ネットワークを用いた脳波からの視覚刺激の再構成
- Abstract要約: 脳波(EEG)による視覚刺激の再構成は、頭皮計測が時間分解能が高いが空間分解能が限られているため困難である。
THINGS-EEG2上の再現可能な単一オブジェクトベースラインについて,脳波が視覚的埋め込み空間において観察された刺激を回復できるかどうかという,より明確な疑問を最初に検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing visual stimuli from electroencephalography (EEG) is difficult because scalp measurements have high temporal but limited spatial resolution, and paired EEG-image datasets remain small relative to modern generative-model training corpora. We present a reproducible single-subject baseline on THINGS-EEG2 that first tests the more defensible question of whether EEG can retrieve the viewed stimulus in a visual embedding space. A compact temporal-spatial convolutional encoder maps repetition-averaged EEG (63 by 250) to provided 512-dimensional ViT-B/32 image features. Model selection uses a concept-disjoint validation split, and final evaluation uses the official 200-image, 200-concept test gallery. Across three training seeds, the model obtains 12.83 +/- 0.58%, 39.17 +/- 1.76%, and 58.00 +/- 1.73% image recall at 1, 5, and 10 (mean +/- sample standard deviation), compared with analytical chance levels of 0.5%, 2.5%, and 5.0%. A session-balanced ablation shows that averaging more test repetitions generally improves ranking. Applying the Subject 01 model to the other nine subjects without adaptation causes a sharp performance drop, exposing subject specificity. We further report exploratory stress tests of direct conditional generators trained without external visual weights: single-subject and ten-subject variants produce noise-dominated outputs, with early validation improvements reversing after one to four epochs. Finally, we distinguish direct reconstruction from semantic rendering with a pretrained diffusion prior. The results support above-chance coarse semantic decoding under a closed-set, repetition-averaged protocol, but do not support faithful recovery of stimulus pixels.
- Abstract（参考訳）: 脳波(EEG)による視覚刺激の再構成は、頭皮計測が時間分解能が高いが空間分解能が限られているため困難である。
THINGS-EEG2上の再現可能な単一オブジェクトベースラインについて,脳波が視覚的埋め込み空間において観察された刺激を回復できるかどうかという,より明確な疑問を最初に検証する。
コンパクトな時間空間畳み込みエンコーダは、反復平均脳波(63×250)を512次元のVT-B/32画像特徴としてマッピングする。
モデル選択は概念に相反するバリデーションスプリットを使用し、最終的な評価は公式の200イメージの200コンセプトテストギャラリーを使用する。
3種類の訓練種のうち、1,5,10で12.83 +/-0.58%、39.17 +/- 1.76%、58.00 +/- 1.73%のイメージリコール(平均+/-サンプル標準偏差)が得られる。
セッションバランスの取れたアブレーションは、平均的なテストを繰り返し続けることで、一般的にランキングが向上することを示している。
被写体01モデルを適応のない他の9つの被写体に適用すると、急激な性能低下が起こり、被写体特異性が露呈する。
さらに,外部視重みのない直接条件付き発電機の探索的ストレステストについて報告する。単一物体と10物体の変種は騒音に支配的な出力を発生させるが,早期の検証精度は1～4回の経過後に逆転する。
最後に,事前訓練した拡散による意味的レンダリングと直接再構成を区別する。
その結果、クローズドセット、繰り返し平均化プロトコルの下で、オーバーチャンスの粗いセマンティックデコーディングをサポートするが、刺激画素の忠実な回復はサポートしない。
関連論文リスト
- CORTIVA: Candidate-Score Fusion of Complementary Visual Teachers for EEG- and MEG-to-Image Retrieval [4.19305370463618]
非侵襲的な脳活動から視覚体験をデコードすることは神経科学と脳-コンピュータインターフェースの中心である。
EEGとMEGはミリ秒の解像度を提供し、画像検索を魅力的にする。
ほとんどのシステムは、ランク付けする前に、均一な視覚的監督を単一の埋め込みに分解する。
この相補的な証拠を保存した候補スコア融合フレームワークであるCORTIVAを提案する。
論文 参考訳（メタデータ） (2026-08-02T16:14:22Z) - DNA: Dual-stage Native Attribution for Generated Image Source Tracing [75.65470221927096]
既存のプロアクティブな方法は、透かしの埋め込みやモデル修正に依存している。
DNAは、ニューラルネットワークのトレーニングを追加せずに、この階層に従う粗大なフレームワークである。
実験の結果、DNAは89.11%のエンドツーエンドの属性精度を達成している。
論文 参考訳（メタデータ） (2026-07-15T10:27:52Z) - What Does the Brain See? Multiview Neural Representations to Demystify the Brain-Visual Alignment [16.54359569394021]
脳の反応を視覚的セマンティックな埋め込みと整合させるための統合型多視点脳波表現学習フレームワークを提案する。
提案手法は,物体内部設定において54.8%のTop-1,85.6%のTop-5,クロスオブジェクト設定では15.3%のTop-1,45.4%のTop-5の精度を有する。
論文 参考訳（メタデータ） (2026-06-24T11:33:21Z) - Brain-to-Image Retrieval and Reconstruction via Multimodal EEG Alignment [4.287289090700458]
自然視中に記録された脳波信号から視覚刺激をデコードする脳画像合成システムを提案する。
検索のために,生物にインスパイアされたEVNet機能により改良されたマルチレベルブラーリング手法を実装し,InfoNCE損失をトレーニングした。
再構築のために,脳波表現をマルチモーダルCLIP埋め込みに整合させるCognitionCapturerProを実装した。
論文 参考訳（メタデータ） (2026-05-18T05:33:44Z) - Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction [3.0602131532925436]
近年の手法は, 生成複雑性の増大に向かっているが, この複雑さが要求される条件はいまだ不明である。
生成複雑性は予測可能なタスクの条件付き後続成分のエントロピーと一致し,全てのレシスタンスでトレーニング・推論入力アライメントが要求される。
我々は,この枠組みを5つの構成を対比して,立方体自己蛍光データセット上で検証した。
論文 参考訳（メタデータ） (2026-04-18T10:28:00Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - Automated Classification of First-Trimester Fetal Heart Views Using Ultrasound-Specific Self-Supervised Learning [0.205246094017924]
本研究は,第1トリメスター胎児心電図分類のための自己監督型超音波基礎モデルUSF-MAEの評価である。
USF-MAEは、370,000枚以上の未標識超音波画像のマスク付き自己符号化モデルを用いて事前訓練される。
全評価指標で最高性能を達成し、90.57%の精度、91.15%の精度、90.57%のリコール、90.71%のF1スコアを記録した。
論文 参考訳（メタデータ） (2025-12-30T22:24:26Z) - Evaluating and Predicting Distorted Human Body Parts for Generated Images [44.49888268318722]
AI生成画像中の人体歪みを検出するために,視覚変換器を用いたモデルViT-HDを提案する。
我々は,一般的な4つのT2Iモデルを評価するために,500個の人間中心のプロンプトを用いたヒューマン・ディストーションベンチマークを構築した。
この研究は、AI生成された人間の解剖学的精度を評価するための体系的なアプローチを開拓し、T2Iモデルの忠実性を高めるためのツールを提供する。
論文 参考訳（メタデータ） (2025-03-02T09:34:44Z) - Improved Distribution Matching Distillation for Fast Image Synthesis [54.72356560597428]
この制限を解除し、MDDトレーニングを改善する一連の技術であるMDD2を紹介する。
まず、回帰損失と高価なデータセット構築の必要性を排除します。
第2に, GAN損失を蒸留工程に統合し, 生成した試料と実画像との識別を行う。
論文 参考訳（メタデータ） (2024-05-23T17:59:49Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z)
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。