본 논문은 뇌 활동을 시각적 표상으로 해석하는 EEG 기반 시각 디코딩 방법인 ViEEG를 제안합니다. 기존 방법들의 한계인 평평한 신경 표상을 극복하기 위해, Hubel-Wiesel 이론에 기반한 계층적 구조를 채택했습니다. ViEEG는 시각 자극을 윤곽, 전경 객체, 배경 장면의 세 가지 생물학적으로 정렬된 구성 요소로 분해하고, 이를 기반으로 삼중 스트림 EEG 인코더를 사용합니다. V1에서 IT, 그리고 연합 피질로의 정보 흐름을 모방하여 크로스 어텐션 라우팅을 통해 EEG 특징을 점진적으로 통합합니다. 또한, 계층적 대조 학습을 통해 EEG 표상과 CLIP 임베딩을 정렬하여 제로샷 객체 인식을 가능하게 합니다. THINGS-EEG 데이터셋에서의 실험 결과, 기존 방법보다 45% 이상 향상된 성능을 보였습니다 (주어 의존적 설정에서 Top-1 정확도 40.9%, 교차 주제 설정에서 22.9%). 이는 성능 향상뿐 아니라 생물학적으로 기반한 뇌 디코딩의 새로운 패러다임을 제시합니다.
