Reconstruction d'images visuelles à partir de l'activité cérébrale via une représentation latente

La reconstruction d'images visuelles, le décodage du contenu perceptuel à partir de l'activité cérébrale en images, a considérablement progressé avec l'intégration des réseaux de neurones profonds (DNN) et des modèles génératifs. Cette revue retrace l'évolution du domaine depuis les premières approches de classification jusqu'aux reconstructions sophistiquées qui capturent des expériences visuelles subjectives et détaillées, en soulignant les rôles des représentations latentes hiérarchiques, des stratégies compositionnelles et des architectures modulaires. Malgré des progrès notables, des défis subsistent, tels que l'atteinte d'une véritable généralisation zéro-shot pour les images non vues et la modélisation précise des aspects complexes et subjectifs de la perception. Nous discutons de la nécessité de jeux de données diversifiés, de métriques d'évaluation affinées alignées sur les jugements perceptuels humains, et de représentations compositionnelles qui renforcent la robustesse et la généralisabilité des modèles. Les questions éthiques, y compris la vie privée, le consentement et les risques d'utilisation abusive, sont soulignées comme des considérations essentielles pour un développement responsable. La reconstruction d'images visuelles offre des perspectives prometteuses sur le codage neuronal et permet de nouvelles mesures psychologiques des expériences visuelles, avec des applications s'étendant au diagnostic clinique et aux interfaces cerveau-machine.