Can Natural Image Autoencoders Compactly Tokenize fMRI Volumes for Long-Range Modeling?
Peter Yongho Kim, Juhyeon Park, Jungwoo Park, Jubin Choi, Jungwoo Seo, Jiook Cha, Taesup Moon
CVPR 2026 主会 · CVF Open Access
OVERVIEW
论文概览
复用自然图像自编码器把三维 fMRI 压缩为少量 token，以降低长时间脑动态建模成本。
ABSTRACT
中文摘要
长程 fMRI 建模受到每个体积维度高、序列长的双重限制。TABLeT 研究自然图像自编码器能否迁移为 fMRI tokenizer，将单个体积压缩为约 27 个紧凑 token，再用序列模型学习较长时间范围的脑动态。作者比较不同预训练视觉编码器、压缩率和微调策略，评估重建保真度及长程下游任务表现，借此检验通用视觉表示对神经影像建模的可复用性。
RESEARCH RELEVANCE
与你研究的关系
为统一模型提供高效 fMRI token 化方案，也可与 ROI token 和图谱无关体素 token 做系统比较。
LIMITATIONS
局限与核查重点
自然图像的二维局部先验未必适合三维脑体积；高压缩率可能损失细粒度 ROI 和个体差异。
SOURCE
来源与原文
CVPR 2026 主会 · CVF Open Access
Peter Yongho Kim, Juhyeon Park, Jungwoo Park, Jubin Choi, Jungwoo Seo, Jiook Cha, Taesup Moon. Can Natural Image Autoencoders Compactly Tokenize fMRI Volumes for Long-Range Modeling?. CVPR 2026 主会 · CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026/papers/Kim_Can_Natural_Image_Autoencoders_Compactly_Tokenize_fMRI_Volumes_for_Long-Range_CVPR_2026_paper.pdf