MindAU：通过双流流形对齐实现 EEG 条件化的面部动作单元编辑

基于摘要分析。该研究关注如何从噪声 EEG 中识别与面部动作单元（AU）相关的模式，并将其转化为局部、保持人物身份的面部图像编辑，而非重建被试看到的视觉内容。作者提出 MindAU 框架，并引入包含配对 EEG 与面部编辑样本及标准化评估协议的 E-CAFE 基准。 机制上，MindAU 先通过时间掩码重建和 AU 分类监督学习 EEG 表征，目标是兼顾抗噪能力与 AU 区分能力；随后使用 Dual-Stream Manifold Alignment，在 Qwen2.5-VL 的多模态空间中，将 EEG 特征分别对齐到 AU 级文本语义和降低身份因素影响的视觉位移轨迹。这一设计旨在连接神经信号、动作语义与表情变化，而不是直接将 EEG 映射为完整人脸图像。摘要未说明流形对齐的具体损失、视觉轨迹构造方式或身份因素削弱的实现。 编辑阶段采用多模态扩散编辑器，并加入 EEG-aware Multimodal Rotary Positional Embeddings、面部关键点引导的参考掩码及 AU 感知区域监督，目标是在指定区域产生精细表情变化，同时保留身份。其复现需核对 EEG 预处理与编码器训练、AU 标签来源、Qwen2.5-VL 的使用方式，以及扩散编辑器的训练和推理配置。 作者报告实验支持 MindAU 的有效性，但摘要没有提供具体指标、数值、对照基线、被试数量，或被试内、跨被试、跨会话等划分信息，因此尚不能判断提升幅度与泛化范围。E-CAFE 的采集任务、EEG 与编辑目标的配对依据、训练测试划分、消融及统计信息尚未验证。作者将面部神经肌肉障碍人群的辅助表情技术作为未来应用方向；所给材料未提供该人群的临床验证，不能据此认定其辅助效果。