論文の概要: E2I-Flow: EEG-to-Image Reconstruction via Wavelet-Temporal Cross-Attention and Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2611.04524v1
• Date: Tue, 03 Nov 2026 08:52:29 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:24:49.717946
• Title: E2I-Flow: EEG-to-Image Reconstruction via Wavelet-Temporal Cross-Attention and Conditional Flow Matching
• Title（参考訳）: E2I-Flow:Wavelet-Temporal Cross-Attention and Conditional Flow Matchingによる脳波画像再構成
• Abstract要約: E2I-Flowは、EEGからイメージへのデコーディングと再構築のためのフレームワークである。 これは、EEG特徴から時間周波数表現学習のための新しいEEGエンコーダを組み合わせたものである。 その結果,強いゼロショット脳波画像検索が得られ,視覚再建性能が向上した。
• 参考スコア（独自算出の注目度）: 7.47446236499551
• License:
• Abstract: Electroencephalography (EEG)-based visual decoding and reconstruction aims to recover visual information from non-invasive brain signals. But there are challenges due to the complex temporal-frequency characteristics of EEG signals and the difficulty of discrete denoising framework in mapping neural activity to meaningful visual representations. Here, we propose E2I-Flow, an EEG-to-image decoding and reconstruction framework that combines a novel EEG encoder for time-frequency representation learning from EEG features, and conditional flow matching for visual decoding. A stationary-wavelet frequency branch and a temporal-mixing branch are integrated through bidirectional cross-attention and adaptive fusion, with the resulting EEG representations aligned to ground-truth image embeddings using contrastive and mean-squared-error loss supervisions. The aligned EEG representation is then used as a condition for a Transformer-based flow-matching model to predict the corresponding visual embedding for image synthesis. Experimental results show strong zero-shot EEG-to-image retrieval and improved visual reconstruction performance, outperforming several state-of-the-art baselines.
• Abstract（参考訳）: 脳波(EEG)に基づく視覚復号と再構成は、非侵襲的な脳信号から視覚情報を回復することを目的としている。 しかし、脳波信号の複雑な時間周波数特性と、神経活動から有意な視覚表現へのマッピングにおける離散的認知フレームワークの難しさには、課題がある。 本稿では,脳波特徴量からの時間周波数表現学習のための新しい脳波エンコーダと,視覚的デコーディングのための条件付きフローマッチングを組み合わせた,脳波から画像へのデコーディングと再構成のためのフレームワークであるE2I-Flowを提案する。 定常ウェーブレット周波数分枝と時間混合分枝は、双方向のクロスアテンションと適応融合により統合され、結果として得られる脳波表現は、対照的な平均二乗誤差損失監督法を用いて、地絡画像の埋め込みに整合する。 次に、アライメントされたEEG表現をトランスフォーマーベースのフローマッチングモデルの条件として使用し、画像合成のための対応する視覚的埋め込みを予測する。 実験の結果,強いゼロショット脳波画像検索と視覚再建性能が向上し,最先端のベースラインよりも優れていた。

関連論文リスト

• Autoregressive Visual Decoding from EEG Signals [14.213172378363216]
  脳波信号からの視覚的デコードのための軽量かつ効率的なフレームワークであるAVDEを提案する。 我々は「次世代の予測」戦略に基づく自己回帰的生成フレームワークを採用する。 2つのデータセットの実験により、AVDEは画像検索と再構成の両方において従来の最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-26T02:49:04Z)
• SYNAPSE: Synergizing an Adapter and Finetuning for High-Fidelity EEG Synthesis from a CLIP-Aligned Encoder [0.0]
  SynAPSEは、脳波信号表現学習と高忠実度画像合成を橋渡しする2段階のフレームワークである。 本手法はCVPR40データセット上で,意味的コヒーレントな潜在空間と最先端の知覚的忠実性を実現する。
  論文  参考訳（メタデータ） (2025-11-11T02:53:49Z)
• Category-aware EEG image generation based on wavelet transform and contrast semantic loss [4.165508411354963]
  本稿では、離散ウェーブレット変換(DWT)とゲーティング機構を統合したトランスフォーマーベースのEEG信号エンコーダを提案する。 このエンコーダは,脳波信号から視覚刺激に関連する特徴を抽出するために用いられる。 事前学習した拡散モデルにより、これらの特徴は視覚刺激に再構成される。
  論文  参考訳（メタデータ） (2025-05-30T07:24:58Z)
• 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)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Reconstructing Visual Stimulus Images from EEG Signals Based on Deep Visual Representation Model [5.483279087074447]
  本稿では,脳波信号に基づく新しい画像再構成手法を提案する。 高速スイッチング方式で視覚刺激画像の高認識性を実現するため,視覚刺激画像データセットを構築した。 主エンコーダと従属デコーダからなる深部視覚表現モデル(DVRM)を提案し,視覚刺激を再構成する。
  論文  参考訳（メタデータ） (2024-03-11T09:19:09Z)
• Learning Robust Deep Visual Representations from EEG Brain Recordings [13.768240137063428]
  本研究は,脳波に基づく深部表現の頑健な学習を行うための2段階の手法を提案する。 ディープラーニングアーキテクチャを用いて,3つのデータセットにまたがる特徴抽出パイプラインの一般化性を実証する。 本稿では,未知の画像を脳波空間に変換し,近似を用いて再構成する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:26:07Z)
• DreamDiffusion: Generating High-Quality Images from Brain EEG Signals [42.30835251506628]
  DreamDiffusionは、脳脳波(EEG)信号から直接高品質な画像を生成する新しい方法である。 提案手法は、ノイズ、限られた情報、個人差などの画像生成に脳波信号を使用する際の課題を克服する。
  論文  参考訳（メタデータ） (2023-06-29T13:33:02Z)
• 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)

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。