論文の概要: Receptive-field-constrained stimulus optimization for human early and intermediate visual cortex

• arxiv url: http://arxiv.org/abs/2609.36391v1
• Date: Mon, 28 Sep 2026 23:44:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.055155
• Title: Receptive-field-constrained stimulus optimization for human early and intermediate visual cortex
• Title（参考訳）: ヒト初期および中間視覚野に対する受容野拘束刺激の最適化
• Abstract要約: 本稿では,2つの新しいMEI生成フレームワーク,RF-DiVE(Receptive Field Diffusion Exploration)とRF-GO(Receptive Field Gradient Optimization)を紹介する。 RF-DiVEとRF-GOで生成されたMEIを2つのコードバックボーンを用いて系統的に比較し,MEIに対する予測応答のシリカ内検証を行った。 全ての方法と視覚領域において、MEIは最も活発な自然画像よりも高いモデル予測応答を誘発する。
• 参考スコア（独自算出の注目度）: 4.116514224668987
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: An ongoing challenge in sensory neuroscience is to characterize the feature dimensions encoded by cortical populations. Recent approaches probe feature selectivity in a data-driven way, by synthesizing a most-exciting-input (MEI) for a target neural population. While this approach has been successfully applied to human higher visual cortex using fMRI data, generating MEIs for early- and mid-level retinotopic visual areas requires additional modeling constraints due to small receptive field sizes. To address this challenge, we introduce two novel MEI generation frameworks, Receptive Field Diffusion for Visual Exploration (RF-DiVE) and Receptive Field Gradient Optimization (RF-GO). Both methods use a population receptive field (pRF)-constrained voxelwise encoding model; RF-DiVE combines this with a pretrained latent diffusion model, while RF-GO uses regularized gradient ascent. When applied to single voxels in retinotopically defined areas V1-hV4, using data from the Natural Scenes Dataset, we obtain MEIs that exhibit consistent structure within the pRF, suggesting selectivity for local features like contour, color, and texture. We systematically compare MEIs generated by RF-DiVE and RF-GO using two encoding backbones, performing in-silico validation of predicted responses to MEIs using independent encoding models. Across all methods and all visual areas, MEIs elicit higher model-predicted responses than the most activating natural images. We further find that the choice of generation framework and encoding backbone differentially affects MEI properties, including their visual appearance, structural interpretability, and cross-model generalizability. These results offer a new approach for performing data-driven characterization of spatial and feature selectivity across human visual cortex.
• Abstract（参考訳）: 感覚神経科学における現在進行中の課題は、皮質集団によってコードされる特徴次元を特徴づけることである。 近年のアプローチでは、ターゲットの神経集団に対して最も興奮する入力(MEI)を合成することにより、データ駆動方式で特徴選択性を探索している。 このアプローチは、fMRIデータを用いてヒト高次視覚野に適用されているが、早期および中期の網膜視領域におけるMEIの生成には、受容野の大きさが小さいため、追加のモデリング制約が必要である。 この課題に対処するために、我々は2つの新しいMEI生成フレームワーク、Receptive Field Diffusion for Visual Exploration (RF-DiVE)とReceptive Field Gradient Optimization (RF-GO)を紹介した。 RF-DiVEは、これを事前訓練された潜在拡散モデルと組み合わせ、RF-GOは正規化勾配法を用いる。 自然景観データセットのデータを用いて,レチノトピー的に定義された領域V1-hV4の単一ボクセルに適用すると,pRF内に一貫した構造を示すMEIが得られ,輪郭,色,テクスチャなどの局所的特徴に対する選択性が示唆される。 RF-DiVEとRF-GOで生成されたMEIを2つの符号化バックボーンを用いて体系的に比較し、独立符号化モデルを用いてMEIに対する予測応答のシリカ内検証を行う。 全ての方法と視覚領域において、MEIは最も活発な自然画像よりも高いモデル予測応答を誘発する。 さらに、生成フレームワークの選択とバックボーンの符号化は、その視覚的外観、構造的解釈可能性、モデル間の一般化可能性など、MEI特性に微分的に影響を及ぼすことがわかった。 これらの結果は、人間の視覚野全体にわたる空間的および特徴的選択性の、データ駆動的特徴付けを行うための新しいアプローチを提供する。

関連論文リスト

• Coarse-to-fine Hierarchical Architecture with Sequential Mamba for Brain Reconstruction [5.732406989501624]
  画像-fMRI符号化のための新しい階層型2段階フレームワークであるCHASMBrainを提案する。 我々のアーキテクチャは、グローバルなセマンティックトークンと局所的な空間パッチを明確に分離し処理するために、デュアルストリームのMamba設計を活用している。 提案手法はPearsonの0.429とMSE0.261の相関を達成し,評価基準線を上回る結果を得た。
  論文  参考訳（メタデータ） (2026-06-03T11:53:23Z)
• Feature Visualization Recovers Known Cortical Selectivity from TRIBE v2 [0.19336815376402716]
  脳エンコーダモデルは、事前訓練された視覚と言語ネットワークの内部活性化から皮質fMRI応答を予測する。 本稿では,補完的解釈可能性手法として特徴可視化を提案する。 プローブは単純で微分可能で、任意の脳エンコーダに異なるバックボーンを持つ。
  論文  参考訳（メタデータ） (2026-05-13T00:55:45Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding [4.586830141349792]
  fMRIデータは3Dボリュームのボクセルとして取得され、各ボクセルは脳内の空間的位置が決定される。 従来の符号化モデルは、しばしばこの体積を1次元ベクトルに平坦化し、ボクセル応答を独立した出力として扱う。 本稿では,fMRIの活動を解剖学的空間上の連続関数としてモデル化するフレームワークであるNeural Response Function (NRF)を紹介する。
  論文  参考訳（メタデータ） (2025-10-07T18:26:53Z)
• 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)
• FreqSelect: Frequency-Aware fMRI-to-Image Reconstruction [5.472733223067372]
  FreqSelectは軽量で適応的なモジュールで、符号化する前に空間周波数帯域を選択的にフィルタリングする。 低レベルのメトリクスと高レベルのメトリクスの両方にわたって、再構築品質を継続的に改善します。 本手法は主題や場面にまたがって一般化し,他のモダリティへの拡張を約束する。
  論文  参考訳（メタデータ） (2025-05-18T21:45:06Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• PNeRFLoc: Visual Localization with Point-based Neural Radiance Fields [54.8553158441296]
  統一された点ベース表現に基づく新しい視覚的ローカライゼーションフレームワーク PNeRFLoc を提案する。 一方、PNeRFLocは2次元特徴点と3次元特徴点をマッチングして初期ポーズ推定をサポートする。 一方、レンダリングベースの最適化を用いた新しいビュー合成によるポーズ改善も実現している。
  論文  参考訳（メタデータ） (2023-12-17T08:30:00Z)
• DeepDC: Deep Distance Correlation as a Perceptual Image Quality Evaluator [53.57431705309919]
  ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。 我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。 5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
  論文  参考訳（メタデータ） (2022-11-09T14:57:27Z)

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。