arXiv eess.SP（Signal Processing）·2026-10-14 12:00· 10 天前精选AI 评分62

Brown University Arto Nurmikko 团队用脉冲神经网络从视网膜神经节细胞活动解码动态视觉场景

Neuromorphic Decoding and Dynamical Image Reconstruction from Populations of Spiking Retinal Ganglion Cells

AI 导读

Brown University 的 Arto Nurmikko 团队构建端到端脉冲神经网络（SNN），直接以小鼠视网膜神经节细胞（RGC）的脉冲活动为输入，在脉冲域内重建并追踪动态视觉场景。

AI 要点

团队

第一作者 Ning Zhang、末位作者 Arto Nurmikko，共 2 位作者。

主要结果

SNN 同时解码“是什么”和“在哪里”，重建结构相似度最高 0.93，随机移动目标追踪平均误差 1.33 像素（32×32 网格）。

解决什么问题

现有解码器多基于人工神经网络重建单帧稠密连续信号，而非视网膜稀疏异步脉冲；本文尝试完全在脉冲域重建并追踪动态场景。

方法

小鼠视网膜离体、高密度微电极阵列记录最多 1836 个 RGC 群体，呈现闪光图像、移动条、漂移光栅和随机移动手写数字；端到端 SNN 随时间整合脉冲，移动数字由一个共享脉冲编码器接两个读出。

局限

从研究设计看，为小鼠视网膜离体记录，非在体或人体；计算能耗为基于突触操作计数的估算值。

AI 依据原文整理，未经人工核对。

AI 推荐理由

离体小鼠视网膜上以全脉冲神经网络同时重建图像与追踪目标，并给出与密集人工网络的能耗对比，可供视觉假体解码路线参考。