ENIGMA：使用不到 1% 的参数，以 15 分钟数据实现 EEG 到图像重建

基于摘要分析。ENIGMA 研究如何从观看图像时的 EEG 记录重建所见图像，并降低新被试适配、采集硬件及本地计算的部署门槛。作者提出多被试 EEG-to-Image 解码模型，并报告其在研究级 THINGS-EEG2 与消费级 Alljoined-1.6M 基准上的性能及适配效率优势。 机制方面，模型结合被试统一的时空骨干、多被试潜空间对齐层和 MLP 投影器，将原始 EEG 映射到视觉潜空间。摘要强调架构简化与跨被试表征对齐，但未给出骨干的具体结构、对齐目标、训练损失，以及从视觉潜变量生成图像的完整流程，这些细节尚未验证。 作者报告，在上述两个基准上达到 SOTA，并可用新被试少至 15 分钟的数据进行有效微调；这里的 15 分钟指数据量对应的采集时长，并非已核实的模型训练耗时。作者还报告，可训练参数量不到既有方法所需参数量的 1%，但具体对照方法、参数统计边界、冻结模块及推理资源开销尚未验证，不能据此认定整个系统的总参数量同样降至 1% 以下。 评估采用邻近 fMRI-to-Image 领域已标准化的多种图像重建指标，并引入人类评分者的行为评估。作者称这是首次开展广泛人类行为评估的 EEG-to-Image 研究，该优先性声明尚未独立核验。摘要还说明进行了单被试、多被试及留出被试迁移条件下的广泛消融；具体被试数、数据划分、指标数值、统计不确定性和消融结果尚未验证。 复现时应重点核对新被试微调数据与测试数据的隔离方式、各基准的采集及预处理条件、视觉潜空间和图像生成组件的依赖，以及人类评估的任务设计与对照。该研究直接涉及 EEG 视觉解码，但其结果不等同于已验证实时闭环 BCI 或日常场景部署能力。