脑解码：迈向视觉想象的实时读出

基于摘要分析。研究针对视觉想象解码通常需要被试特异性校准的问题，检验感知与想象是否共享可跨个体迁移的表征，并探索脑信号驱动的图像重建。作者报告，由21名参与者的感知 EEG 训练的解码器可迁移到一名此前未见的参与者的视觉想象，且不需要该目标参与者带标签的想象试次。 在上述跨被试、感知到想象的迁移设置中，作者报告逐被试标准化已足够，学习式对齐没有额外收益；迁移仅在预先指定的后部 alpha 读出中成立，随源参与者数量增加而增强，并通过了所采用的泄漏控制。摘要未说明标准化所需目标数据、解码任务、划分细节、性能指标或泄漏控制的具体方式，因此“无需带标签的想象试次”不能直接等同于完全无需目标被试数据或预处理校准。 独立数据集提供了重要的泛化边界：作者报告跨被试感知解码迁移得到复现，但感知到想象的迁移未复现，说明跨状态泛化仍是开放问题。作者还报告，人类腹侧颞叶皮层的单神经元数据在恒等映射下呈现感知到想象的迁移；EEG 的最优传输分析则提示，两种状态的差异更适合描述为共同表征的平移与缩放，而非神经编码方式改变。这些证据支持作者的共同表征解释，但不能据此认定其跨状态迁移已具有稳定的跨数据集有效性。 重建部分将脑信号预测的 token 前缀作为条件输入冻结的 next-scale autoregressive 图像模型。作者报告该方法可实时重建被感知图像，而视觉想象重建主要受神经解码准确性限制；摘要未提供延迟、重建质量、模型名称或评估协议，不能将感知重建结果直接视为实时想象重建已获验证。 复现时需核对后部 alpha 特征定义、逐被试标准化的数据范围、目标被试隔离方式、状态迁移对照，以及脑信号到 token 的映射与实时计算条件。实验协议、消融及统计信息尚未验证。