BrainAE：用于双向视觉编码与解码的对齐驱动自编码器

基于摘要分析。该研究针对视觉刺激与神经活动之间双向映射缺乏统一潜在表征的问题，提出自编码器框架 BrainAE，通过与图像模型进行对比对齐，使潜在特征趋向视觉刺激与神经响应的共享表征空间。训练后，模型支持刺激到脑的编码、脑到刺激的解码，以及作者所称的全脑信号重建。 核心机制是将自编码器表征学习与跨模态对比对齐结合，在同一框架中连接两个方向的映射，而非仅独立处理视觉编码或解码。摘要未说明所用图像模型、具体损失形式、各任务的训练关系，以及推理时如何从刺激或脑信号进入共享空间；脑到刺激解码的具体输出形式也尚未验证，不能据此认定其实现了图像生成。 作者在人体 EEG、MEG 及猕猴多单元放电活动（MUA）上开展评估，覆盖非侵入式与侵入式记录、宏观与微观尺度及不同物种。作者报告编码与解码性能具有竞争力，并呈现与既有神经科学发现一致的空间、时间和语义模式。摘要未提供数据集名称、被试数量、划分方式、对照基线或定量指标，因此无法判断各模态下的性能幅度，也不能将跨物种评估理解为已验证跨物种迁移。 对 BCI 研究的直接参考价值在于统一视觉刺激与神经响应的建模路径，但摘要未报告在线 BCI 控制或实际交互验证。复现时需核对刺激与神经响应的配对方式、预处理、潜在空间及对齐目标、不同记录模态的适配方式，以及训练和测试划分。实验协议、消融及统计信息尚未验证。