连接层级：用于视觉神经解码的神经启发式层级感知对齐

基于摘要分析。该研究面向从 EEG、MEG 神经信号检索所感知图像的视觉神经解码任务，提出 Neuro-Inspired Hierarchy-Aware Alignment（NIA），尝试同时建立神经与视觉表征的跨层级对应，并建模两类表征各自从浅层到深层的信息传播。 作者认为，既有方法主要在选定语义层面对齐神经与视觉表征，未充分捕捉两套表征层级的整体对应关系，也未充分建模各层级之间的渐进传播。NIA 集成 Hierarchy-Partitioned Channel Transformer（HPCT）、Hierarchy-Matched Contrastive Learning（HMCL）和 Parallel Dual-Hierarchy Cascade（PDHC），分别用于组织神经表征层级、建立层级匹配关系，以及建模双层级内部的浅到深传播。摘要未提供层级划分依据、视觉特征来源、对比学习损失形式或级联的具体实现，尚不能判断其表征层级与生物视觉加工层级的对应程度。 作者报告，在 THINGS-EEG2 和 THINGS-MEG 上取得领先的零样本脑信号到图像检索结果。其中，在 THINGS-EEG2 的 Within-subject（被试内）设置下，Top-1/Top-5 Accuracy 分别提升 9.5/1.3 个百分点；在 Cross-subject（跨被试）设置下，分别提升 9.9/10.0 个百分点。摘要未明确这些增益对应的具体基线，也未给出绝对 Accuracy、候选图像规模及数据划分，因此不能据此直接比较不同协议的性能。THINGS-MEG 的具体指标未在所给材料中列出。 阅读与复现时应重点核对零样本的定义、训练与测试刺激的划分、跨被试评估方式，以及各模块的消融能否支持作者对层级对应和渐进传播作用的解释。实验协议、消融及统计信息尚未验证；代码、计算资源和完整复现条件亦需查阅全文确认。