视觉目标的重要性：跨视觉层级学习的脑到图像检索

基于摘要分析。本文研究脑到图像检索，即根据非侵入式神经响应识别引发该响应的视觉刺激，核心问题是视觉模型的哪些深度应为神经编码器提供监督目标。作者提出 NeuroGlyph，从冻结视觉骨干的多个深度学习视觉目标，而非预先指定最终层表示。 机制上，NeuroGlyph 将目标分解为多个因子特定子空间，每个子空间依据图像学习不同视觉深度的信息分配，再融合为单一检索嵌入。摘要将该视觉目标描述为不依赖单次试验（trial-independent），而深度分配由图像条件决定；这不同于直接按每次神经响应动态选择视觉层。其主要创新落在视觉监督目标的构造，而非摘要未明确描述的神经编码器结构。 作者报告，在 THINGS-EEG 与 THINGS-MEG 上，NeuroGlyph 在所有受控比较中均优于最终层监督，并在四项比较中的三项超过事后选出的最佳固定层参照。作者还报告，参数量匹配消融支持因子化目标构造与图像条件深度分配的作用；在可比的 200-way 检索协议下，系统级表现于八项报告指标中的六项最优。这些结论应限定于文中比较条件，不能直接解释为任意跨被试或跨数据集场景的优势。 复现时需核对视觉骨干及所选深度、子空间与融合实现、神经编码器、训练目标、候选图像构造，以及数据划分和固定层参照的选择方式。摘要未提供具体指标名称与数值、被试规模、被试内或跨被试设置、统计不确定性及代码信息；实验协议、消融及统计信息尚未验证。现有证据支持进一步考察视觉层级监督的作用，但不足以推断其对其他 EEG 任务或 EEG 基础模型的普遍收益。