DynaMind：通过将时间动态与多模态语义对齐至引导式扩散，从 EEG 重建动态视觉场景

基于摘要分析。DynaMind 面向从 EEG 重建所观看动态视觉场景的问题，针对 EEG 空间分辨率有限、神经记录与视频动态存在时间失配，以及语义信息利用不足，提出联合建模神经动态与语义特征的视频重建框架。 方法包含三个核心模块。Regional-aware Semantic Mapper（RSM）使用区域感知编码器，从不同脑区的 EEG 提取多模态语义特征，并聚合为统一的扩散先验；Temporal-aware Dynamic Aligner（TDA）生成动态潜在序列，即用于维持特征表示与原始神经记录时间一致性的“蓝图”；Dual-Guidance Video Reconstructor（DGVR）在语义扩散先验的引导下，将该时序蓝图转换为重建视频。其主要方法思路是分别提供语义条件与动态约束，再用于视频生成，而非仅依靠静态语义匹配。 作者报告，在 SEED-DV 数据集上，视频级与帧级重建 Accuracy 相较摘要未指明的对照分别提高 12.5 和 10.3 个百分点，SSIM 提高 9.4%，FVMD 降低 19.7%，并声称达到新的 SOTA。摘要未交代上述指标的具体计算方式、比较基线、被试内或跨被试协议及数据划分，因此这些结果不能直接与其他协议下的成绩比较；SSIM 和 FVMD 的变化也不能等同于解码 Accuracy 的提升。 复现核对重点包括脑区划分与 EEG 预处理、语义特征的监督来源、动态潜在序列与视频帧的时间对应方式，以及扩散重建器的训练和推理条件。还需通过正文确认两类引导各自及联合使用的贡献，并核对泛化评估与生成视频是否忠实对应输入 EEG。实验协议、消融及统计信息尚未验证；摘要未提供足以确认代码、模型权重或完整复现条件的信息。