論文の概要: Neuromorphic Decoding and Dynamical Image Reconstruction from Populations of Spiking Retinal Ganglion Cells

• arxiv url: http://arxiv.org/abs/2610.17154v1
• Date: Mon, 12 Oct 2026 17:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:04:31.249985
• Title: Neuromorphic Decoding and Dynamical Image Reconstruction from Populations of Spiking Retinal Ganglion Cells
• Title（参考訳）: スパイキング網膜ガングリオン細胞集団からのニューロモルフィックデコードと動的画像再構成
• Abstract要約: 網膜神経節細胞(RGC)のスパイク活動から視覚刺激をデコードすることで、網膜コードの理解と視覚義肢の設計の両方を知らせる。 我々は、ニューロンが記録されたRGCスパイクを時間とともに統合するエンドツーエンドのスパイクニューラルネットワーク(SNN)を構築した。 刺激を最大0.93の構造的類似度(SSIM)で再構成し、スパイクが蓄積するにつれて再構成を洗練させ、32ドルグリッドで平均1.33ピクセルの誤差でランダムに動くターゲットを追跡した。
• 参考スコア（独自算出の注目度）: 9.448355277676681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decoding visual stimuli from the spiking activity of retinal ganglion cells (RGCs) informs both our understanding of the retinal code and the design of visual prostheses. Natural vision is dynamic, yet state-of-the-art decoders mostly reconstruct single frames with artificial neural networks that process dense, continuous-valued signals rather than the retina's sparse, asynchronous spikes. We asked whether dynamic scenes can be reconstructed and tracked entirely within the spike domain, and at what computational cost. We built an end-to-end spiking neural network (SNN) whose neurons integrate the recorded RGC spikes over time. Populations of up to 1836 RGCs were recorded ex vivo from mouse retina on high-density microelectrode arrays while flashed images, moving bars, drifting gratings and randomly moving handwritten digits were presented. For moving digits, one shared spiking encoder fed two readouts, one reconstructing the image and one decoding the digit's position. Compute energy was estimated from counted synaptic operations. The SNN decoded what and where at once. It reconstructed the stimuli with a structural similarity (SSIM) of up to 0.93, refining the reconstruction as spikes accumulated, and tracked a randomly moving target with a mean error of 1.33 pixels on a $32\times32$ grid. Its fidelity nearly matched that of the best of 17 larger spiking and artificial decoders (5.9 million to 1.7 billion parameters, versus 5.4 million), and at a mean firing rate of 14.2% it needed an estimated $\sim$70-fold less compute energy than a dense artificial network of the same architecture. Dynamic visual scenes can thus be decoded from retinal population activity in the spike domain, with a compact network and at a compute cost compatible with implantable and wearable neural interfaces, supporting spike-native decoders for visual prostheses.
• Abstract（参考訳）: 網膜神経節細胞(RGC)のスパイク活動から視覚刺激をデコードすることで、網膜コードの理解と視覚義肢の設計の両方を知らせる。 自然視は動的だが最先端のデコーダは、網膜のスパースで非同期スパイクではなく、密度の高い連続的な信号を処理する人工ニューラルネットワークで単一のフレームを再構築する。 スパイク領域内で動的シーンの再構成と追跡が可能か,計算コストについて質問した。 我々は、ニューロンが記録されたRGCスパイクを時間とともに統合するエンドツーエンドのスパイクニューラルネットワーク(SNN)を構築した。 マウス網膜から高密度のマイクロ電極アレイ上に最大1836個のRCCの個体群が記録され、フラッシュ画像、移動バー、漂流格子、ランダムに動く手書き桁が提示された。 1つの共有スパイクエンコーダは2つのリードアウトを与え、1つはイメージを再構成し、1つはディジットの位置を復号した。 計算エネルギーは、計数されたシナプス演算から推定された。 SNNはすぐに何とどこをデコードした。 刺激を最大0.93の構造的類似性(SSIM)で再構成し、スパイクが蓄積するにつれて再構成を精査し、32ドル(約3万2000円)のグリッド上で平均1.33ピクセルの誤差でランダムに動くターゲットを追跡した。 その忠実度は17個の大きなスパイクと人工デコーダ(590万から17億のパラメータ、対して540万)の最高値とほぼ一致し、平均発火速度は14.2%であり、同じアーキテクチャの高密度な人工ネットワークよりも計算エネルギーが$\sim$70-foldと見積もられた。 これにより、ダイナミックな視覚シーンは、スパイク領域の網膜集団活動からデコードすることができ、コンパクトなネットワークを持ち、移植可能なウェアラブルニューラルネットワークと互換性のある計算コストで、視覚補綴のためのスパイクネイティブデコーダをサポートすることができる。

関連論文リスト

• Neuromorphic LiDAR-based Bird's Eye View Object Detection using Energy-efficient Spiking Neural Networks [1.942428068361014]
  従来の畳み込みニューラルネットワークは強力な検出精度を実現するが、計算集約的である。 本稿では,LiDAR点雲の鳥眼ビュー表現における物体検出のための終端スパイキングエンコーダ・デコーダネットワークを提案する。 ネットワークがデータから直接スパイク表現を学習できるようにすることは、手作りのPoisson、レイテンシ、z軸符号化方式よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-24T23:13:34Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• 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)
• 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)
• The Brain-Inspired Decoder for Natural Visual Image Reconstruction [4.433315630787158]
  本研究では,スパイクトレインの視覚的イメージを再構築するために,生物学的特性を持つディープラーニングニューラルネットワークアーキテクチャを提案する。 私たちのモデルは、ニューラルスパイクトから画像へのエンドツーエンドデコーダです。 提案手法は,画像の再構成に知覚的特徴を効果的に組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2022-07-18T13:31:26Z)
• Event-based Video Reconstruction via Potential-assisted Spiking Neural Network [48.88510552931186]
  バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。 完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。 スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
  論文  参考訳（メタデータ） (2022-01-25T02:05:20Z)
• Training Deep Spiking Auto-encoders without Bursting or Dying Neurons through Regularization [9.34612743192798]
  スパイクニューラルネットワークは、計算神経科学における次世代の脳モデルに対する有望なアプローチである。 膜電位に基づくバックプロパゲーションを用いたエンドツーエンド学習を、スパイクする畳み込みオートエンコーダに適用する。 膜電位とスパイク出力に正規化を適用することで、死と破裂の両方のニューロンをうまく回避できることを示す。
  論文  参考訳（メタデータ） (2021-09-22T21:27:40Z)
• 11 TeraFLOPs per second photonic convolutional accelerator for deep learning optical neural networks [0.0]
  10 TeraFLOPS(1秒あたりの浮動小数点演算)を超える全光ベクトル畳み込み加速器を実証する。 次に、同じハードウェアを用いて、10個の出力ニューロンを持つ深部光学CNNを逐次形成し、900ピクセルの手書き数字画像と88%の精度で完全な10桁の認識を成功させる。 このアプローチはスケーラブルで、無人車やリアルタイムビデオ認識のような要求のあるアプリケーションのために、より複雑なネットワークに対してトレーニング可能である。
  論文  参考訳（メタデータ） (2020-11-14T21:24:01Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• Optimized spiking neurons classify images with high accuracy through temporal coding with two spikes [1.7767466724342065]
  スパイクベースのニューロモルフィックハードウェアは、画像分類やその他のディープラーニング応用のエネルギー消費を減らすことを約束する。 トレーニング済みの人工ニューラルネットワークをスパイクニューロンに変換する方法は、ニューロンがスパイクを多すぎるため、非効率であった。 このような目的のために、スパイキングニューロンモデルを最適化すると、より効率的な変換が起こることが示される。
  論文  参考訳（メタデータ） (2020-01-31T10:11:45Z)

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。