ECCV 2026 × 脑科学

大规模深度学习模型在神经科学中的成功，从根本上受到严重数据异质性的限制。汇集自不同来源的原生 fMRI 数据，其空间和时间分辨率均存在显著差异。因此，大多数现有框架依赖冗长、僵化的预处理流程，强制统一各数据集。这种做法带来两个关键限制：一是可能损害被试特异的解剖信息，二是计算开销显著，通常每名被试需要数小时处理。我们提出 FlexiBrain，一种基于 Mamba-JEPA、面向原生 fMRI 的分辨率无关体素级编码框架。FlexiBrain 以真实世界的物理单位定义 patch 大小，并采用动态 patch 尺寸调整，从而绕过具有破坏性的空间标准化，直接接收原生空间数据。我们使用高效的 Mamba-JEPA 主干实例化这一框架，对高维四维 fMRI 信号建模。在五项不同的下游神经科学任务上，FlexiBrain 持续优于近期先进方法，在不使用外部数据增强的情况下取得最高 12 个百分点的提升。更重要的是，FlexiBrain 可以作为无缝插入的模块，显著降低预处理成本，加快稳健体素级 fMRI 基础模型的发展。代码公开于 https://github.com/OneMore1/FlexiBrain。

神经解码的近期进展，使直接从非侵入式脑信号重建视觉刺激成为可能。然而，由于动态场景固有的连续空间与语义变化，连续视频流重建仍然极具挑战。多数方法依赖“先重建、再描述”的范式，从重建的视频关键帧生成说明文字，而这些关键帧极易产生语义漂移。为克服这些困难，我们提出新解码框架 CortexVideo，从功能磁共振成像（fMRI）重建视频。受视觉双流假说启发，CortexVideo 引入双重引导解码策略：利用被试自适应语义信息引导视频重建，同时整合关键帧感知权重。实验表明，CortexVideo 从视频语义理解和空间定位两个关键维度，为已有层次模型提供了认知层面的增强。重建视频在语义与空间两方面均更忠实于视觉刺激，取得了作者所报告的先进结果。

从脑信号重建三维物体，为理解人类视觉认知提供了一条有前景的途径。尽管既有工作已在利用 EEG 信号进行三维重建方面取得初步成功，现有方法通常使用统一的扩散解码器，忽略了 EEG 表征与扩散去噪过程各自不断变化的语义粒度。本文提出 Mind2Cloud，一种基于双粒度扩散解码的新型 EEG 到点云生成框架。其核心是一个时间感知解码器，通过可学习融合掩膜，在扩散时间步之间整合全局 Transformer 分支与局部 Point-Voxel CNN（PVCNN）分支。具体而言，在较早的上采样阶段加入 Transformer 层，以在高不确定性下捕捉物体的全局结构；在较晚阶段使用 PVCNN 模块，细化局部几何细节。受 EEG 视觉表征层次性的启发，该设计使空间粒度随扩散去噪的粗到细轨迹动态调整。我们进一步引入对抗细化模块，增强几何真实性与语义一致性。在 EEG-3D 数据集全部 12 名被试上的全面实验表明，Mind2Cloud 在几何准确性与语义对齐方面均优于已有工作，为 EEG 到点云生成建立了新的基准。源代码公开于 https://github.com/duasoi/Mind2Cloud。

当前富有表现力的数字人系统高度依赖视觉线索，当面部被遮挡或情绪没有外显时往往失效。我们提出 Mind-to-Face，这是首个直接将非侵入式脑电（EEG）信号解码为高保真面部表情的框架。我们建立双模态记录系统，在情绪诱发刺激期间同步采集 EEG 与多视角面部视频，为神经到视觉学习提供精确监督。模型使用 CNN–Transformer 编码器，将 EEG 映射到采样超过 6.5 万个顶点的密集三维位置图，捕捉精细几何与细微情绪动态，再通过修改后的 3D Gaussian Splatting 管线渲染，获得照片级真实且视角一致的结果。全面评估表明，仅用 EEG 就能可靠预测动态、被试特异的面部表情，包括细微情绪反应，提示神经信号包含比既有认识更丰富的情感与几何信息。Mind-to-Face 为神经驱动数字人建立了新范式，支持沉浸式环境中的个性化、情绪感知远程临场与认知交互。

通过脑信号解读人类视觉意图并操纵视觉内容，是神经生成式人工智能的一个重要里程碑。近期研究已经展示了令人瞩目的脑活动图像重建能力，但往往依赖缓慢的迭代扩散反演过程，难以实现实时编辑，也未能将生成与精确上下文修改统一起来。Rectified Flow 最近成为快速、确定性生成的一种有力解决方案。受此启发，我们提出 MinD-Flow，一种用于统一脑驱动合成与编辑、无需反演的新框架。该框架引入 Neuro-aware Encoder，对异质脑信号进行统一编码，并结合 Neuro-Perceiver Bridge（NPB），使脑语义与视觉锚点对齐，将“思维空间”映射到生成潜空间。此外，解耦流引导（DFG）与自适应软掩膜克服了结构保持与语义变化之间的冲突，实现无需噪声反演的精确局部编辑。我们提出 Brain-Gen Benchmark，标准化神经上下文、创造与编辑任务的评估。全面实验显示了作者所报告的先进性能，为脑机接口应用提供了一种多用途工具。