摘要
脑电图（EEG）到图像的评估应区分视觉保真度与可恢复的意义。然而，EEG衍生的重建图像通常模糊、失真且细节不足，导致 SSIM、LPIPS 和 CLIP 等指标惩罚语义可恢复的输出，或奖励似是而非的结果。
我们分析了来自 ATM、ENIGMA、BrainVis 和 DreamDiffusion 的 6,855 对真实/重建图像，采用语义探测、描述严苛度和盲点率，以及控制降解的方法。
像素指标显示与语义一致性几乎没有相关性，而表示指标则混淆了感知与语义错误。因此，我们引入了一种脑机接口（BCI）感知的框架，其中四个 VLM 通过结构化问题评估图像对，生成宽容感知对齐分数（T-PAS）和宽容语义对齐分数（T-SAS）。
他们的共识被提炼为脑机接口一致性分数（BCS），这是一个紧凑的评估器，在我们的数据上实现了 T-PAS MAE 为 0.079（r = 0.700）和 T-SAS MAE 为 0.082（r = 0.850）。人类验证显示高度可靠的联合一致性判断，Cohen's kappa = 0.882 ± 0.174 和 Krippendorff's alpha = 0.882，支持感知-语义的可恢复性优于通用的视觉相似性。代码和资源可在 BCS GitHub 上获取。
博主点评： 该研究提出了一种新颖的框架，利用视觉语言模型（VLM）来提升脑电图到图像重建的质量，强调了语义一致性的重要性，尤其在视觉质量评价中。这为未来的脑机接口应用提供了重要的理论基础与实践指导。