Neuro-3D：面向从 EEG 信号解码 3D 视觉感知

基于摘要分析。该研究面向人脑对 3D 视觉刺激的感知，提出从 EEG 信号解码并重建物体形状与颜色的任务，同时提供 EEG-3D 数据集及 Neuro-3D 解码框架。主要贡献是将静态和动态刺激对应的 EEG 特征进行自适应整合，并通过基于扩散的彩色点云解码器恢复 3D 物体。 数据方面，作者介绍 EEG-3D 包含多模态分析数据，以及 12 名被试观看 72 类 3D 物体时的 EEG 记录；刺激以视频和图像两种形式呈现。摘要未明确采集通道、试次数量、刺激时序、预处理流程，以及训练与测试的被试或物体类别划分，这些信息尚未验证。 机制方面，Neuro-3D 利用静态与动态刺激所产生的 EEG 特征学习互补、稳健的神经表征，再以该表征支持彩色 3D 点云生成。摘要未给出特征提取结构、自适应融合实现、扩散模型的条件注入方式、损失函数或训练与推理流程，因此目前只能确认整体方法路径，不能判断各模块的独立贡献。 作者报告，实验能够高保真重建彩色 3D 物体，所学习的神经表征也支持脑区分析；但摘要未提供定量指标、对照基线或统计结果，无法据此判断形状与颜色分别恢复到何种程度，亦不能确定结果适用于被试内、跨被试或其他泛化协议。作者将 EEG 3D 视觉解码的首次探索作为其创新主张，该优先性尚未检索确认。 复现时需核对数据划分、静态与动态特征融合的消融、生成先验与 EEG 条件各自的贡献，以及脑区分析的具体方法。实验协议、消融及统计信息尚未验证。摘要称数据集与相关代码将公开，这不等于已可获取。