重新审视 EEG 到图像解码：从细粒度时间编码到层级一致性设计

基于摘要分析。本文研究 EEG 到图像解码流程中专用编码器、跨模态对齐与生成解码各阶段的实际需求，提出 TRACE（Temporal Resolution-Aware Complementary EEG Decoding），将细粒度时间编码、互补视觉线索对齐和层级一致的生成条件注入结合起来。 在编码器层面，作者报告，受控比较中简洁的 MLP 优于 Transformer 编码器及大型预训练基线；进一步分析表明，解码性能强烈依赖细粒度时间编码，而增加编码器容量未带来系统性收益。这一结论针对文中的 EEG 到图像任务与比较设置，不宜直接推广到其他 EEG 任务。时间编码的具体实现、基线配置和容量控制方式尚未验证。 在对齐与生成层面，作者认为现有流程存在不同层级证据区分不清、层级条件不匹配的问题。TRACE 使用 Complementary Dual-Subspace Alignment，将语义与结构视觉线索组织到互补子空间，再通过 Hierarchy-Consistent Injection，将这些线索注入由粗到细的视觉自回归（VAR）生成器。摘要未提供子空间构造、损失函数、训练阶段或条件注入位置的细节，因此尚不能判断各模块贡献及复现成本。 在 THINGS-EEG 上，作者报告 TRACE 的检索与重建性能达到最先进水平：对十名被试的结果取平均，Top-1/Top-5 检索 Accuracy 分别为 77.5%/96.2%，且七项重建指标中六项优于先前方法。摘要未明确被试内或跨被试协议、训练与测试划分、检索候选集规模、具体对照方法及重建指标名称；这些结果不能脱离评估前提直接比较，实验协议、消融及统计信息尚未验证。 复现时需重点核对时间分辨率控制、编码器比较条件，以及互补对齐和层级注入的独立作用。作者表示代码将在论文被接收后发布；现有材料不足以确认已接收状态或代码当前可用性。