深层模型，浅层对齐：揭示神经解码中的粒度失配

神经视觉解码旨在从神经信号中解码人类视觉感知；本研究针对预训练视觉编码器最终嵌入与 EEG/MEG 多层次视觉信息之间可能存在的表征粒度失配，提出 Shallow Alignment，以中间层视觉表征作为对齐目标。基于摘要分析，未取得论文全文。 核心机制是校准对齐目标的抽象层次：常见对比式神经视觉解码方法使用视觉编码器的最终嵌入，而这些嵌入侧重高层语义不变性，未必充分对应 EEG/MEG 中不同视觉抽象层次的信息。Shallow Alignment 系统探索中间视觉表征，主要改变的是神经信号与视觉模型之间的对齐目标，而不是仅以更大视觉骨干替换原模型。具体层选择规则、神经信号编码器、损失形式及训练与推理流程尚未验证。 作者报告，在多个基准、不同视觉骨干上，相较标准最终层对齐，性能提升范围为 22%–58%。摘要未说明这些提升对应的指标、相对增幅计算方式、基准名称或数据划分，因此不能将其解释为 Accuracy 提升了相应百分点，也不能据此比较被试内、跨被试或跨会话效果。作者还报告，采用该方法后，解码性能随预训练视觉骨干容量增加呈持续改善趋势；该结论的容量范围与适用条件需核对全文。 作者表示进行了系统性经验分析以解释收益机制，并提供了代码地址，但具体分析结论与代码可运行性尚未验证。复现时应重点核对中间层选择是否独立于测试评估、不同对齐目标的训练条件是否一致，以及收益对被试、信号模态和视觉骨干的依赖。实验协议、消融及统计信息尚未验证，现有摘要也不足以确认其对视觉重建质量或其他 BCI 任务的效果。