用于视觉解耦的语言先验：迈向对称的视觉—脑信号对齐

基于摘要分析。本文研究从脑活动中解码视觉内容的问题，提出以语言先验引导视觉解耦，缓解自然图像与脑信号之间的信息不对称：图像包含对象及复杂背景，而作者认为对应脑信号主要反映对中心对象的注意，同时受到神经噪声干扰。核心贡献是利用面向对象的文本描述提供语义引导，将前景对象与背景显式解耦，使视觉—脑信号对齐更聚焦于任务相关概念。 机制上，方法试图先调整视觉表征所包含的信息，再进行跨模态对齐，而不是直接对齐完整图像与脑信号。作者将这一过程描述为从非对称对齐转向语义层面的对称对齐，并声称能够过滤脑信号中的无关神经噪声。但摘要未说明文本描述的来源、解耦模块的实现、对齐目标与损失形式，也未提供直接验证降噪作用的证据；因此，视觉语义聚焦与脑信号降噪之间的因果关系尚未验证。 作者报告，在 THINGS-EEG 和 THINGS-MEG 上的零样本脑信号到图像检索任务中取得新的最优性能。摘要未提供具体指标、数值、候选图像集合、零样本划分、被试内或跨被试协议及对照基线，暂不能判断提升幅度或比较范围。研究背景涵盖视觉内容识别与重建，但摘要给出的实验结论针对检索，不能据此认定图像重建效果也得到改善。 复现可重点核对文本先验的构建方式、训练与测试类别关系，以及视觉解耦相对直接对齐的增益；还需查看背景复杂度、注意偏离中心对象等条件下的表现，检验信息不对称假设的适用范围。材料提供了代码仓库地址，但代码完整性、运行条件、实验协议、消融及统计信息尚未验证。