结构化视觉景观：在生物与人工神经网络中生成偏好表征

理解神经元如何对视觉刺激作出反应，是深度学习和神经科学中的一个重要问题。这对于增强黑箱人工神经网络的可解释性以及理解人脑中的视觉表征具有重要意义。我们提出了一种结构化视觉表征景观，并设计了一种基于激活的先验，使我们能够利用来自脑区或神经网络单元的激活有效地对该景观进行正则化。我们的模型 Vis-Lens 将变分自编码器和扩散模型整合到一个图像生成框架中。它能够通过直接修改经激活正则化的潜在编码来生成自然、逼真的偏好图像，而无需对每张图像进行迭代优化。我们利用功能磁共振成像（fMRI）数据，在人工神经网络和人类视觉皮层上展示了该框架的有效性。与近期用于生成这些神经目标偏好视觉表征的最先进方法相比，我们的框架改进了激活调制和图像逼真度。

中文由 AI 翻译，仅供参考，以原文为准。