返回
Learnable Diffusion Framework for Mouse V1 Neural Decoding
DOI:10.1002/advs.202520220.png)
摘要
En 中文
解码视觉刺激的神经信号是理解感觉信息在大脑中如何表示的关键步骤。尽管现有的大多数方法通过人类功能性磁共振成像(fMRI)重建视觉刺激,但利用小鼠的钙成像技术为具有不同光谱敏感度的非灵长类视觉系统打开了单神经元水平洞察的大门。在此,我们介绍了Sensorium-Viz,这是一种基于扩散的框架,专门设计用于解码小鼠初级视觉皮层的活动。该模型是首批能够可靠地从未经训练的单神经元响应重建复杂、高分辨率图像的模型之一。其核心在于,Sensorium-Viz为神经元到图像的解码引入了两项关键进展:一种合成响应增强策略,该策略通过微调实现跨小鼠泛化,同时将重建性能提升超过30%;以及一种架构设计,该设计将Diffusion Transformer(DiT)与空间神经元嵌入模块相结合,从而在像素级和内容级基准测试中,相较于领先的fMRI重建方法实现了高达10.65%的性能提升。对神经响应及其对应重建的分析表明,对低级视觉特征敏感的神经元构成了V1对外部刺激表示的基础。这些发现将Sensorium-Viz确立为一种具有生物学基础和技术鲁棒性的视觉解码工具。
Keyword:
diffusion model
mouse
neural decoding
primary visual cortex
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
14.1
论文数:
1.9W
被引数:
16.2W
机构
引用论文
Reconstruction of Perceived Images from fMRI Patterns and Semantic Brain Exploration Using Instance-Conditioned GANs基于实例条件生成对抗网络(Instance-Conditioned GANs)的感知图像重建与语义脑探索的fMRI模式研究
Inverse retinotopy: Inferring the visual content of images from brain activation patterns逆向视网膜复制: 从大脑激活模式推断图像的视觉内容
NeuroImage
IF0

