BrainVis：通过图像重建探索脑信号与视觉信号之间的桥梁

基于摘要分析。BrainVis 研究从 EEG 重建视觉刺激，针对 EEG 噪声较强、表征难以对齐细粒度语义，以及既有方法依赖额外大规模训练数据的问题，结合时域自监督学习、频域特征、多模态语义对齐与级联扩散模型完成图像重建。 机制上，方法以自监督范式学习 EEG 时域特征，并引入频域特征增强 EEG 表征；提出名为 semantic interpolation 的多模态对齐方法，以支持细粒度语义重建，随后使用级联扩散模型生成图像。摘要未披露自监督目标、时频特征融合方式、语义插值的具体定义及扩散模型的条件注入方式，尚不能据此判断各模块的独立贡献。 作者报告，在仅使用此前掩码建模工作所需训练数据的 9.1% 的条件下，BrainVis 在重建语义保真度和生成质量上优于当时的先进方法。但摘要未说明该比例对应的数据来源、样本计数口径、预训练资源及对照设置，也未提供具体指标与分数，因此不能将其直接解释为总体数据成本的同比例下降。 摘要给出了代码仓库，便于后续核查实现。数据集、被试数量、被试内或跨被试划分、训练与测试刺激的关系、评估指标、消融及统计信息尚未验证；复现时应重点核对数据用量的比较口径，以及时域自监督、频域特征和 semantic interpolation 各自带来的增益。当前证据支持将其视为 EEG 视觉重建方法，尚不能外推到其他 BCI 任务。