본 논문은 뇌 활동을 시각적 표현으로 해독하는 문제에 대해 다룬다. 기존 EEG 기반 시각 해독 방법은 뇌의 시각적 계층 구조를 간과하는 평평한 신경 표현에 의존하는 한계를 가지고 있다. 이를 해결하기 위해, 본 논문에서는 Hubel-Wiesel 이론에 기반한 생물학적으로 영감을 받은 계층적 EEG 해독 프레임워크인 ViEEG를 제시한다. ViEEG는 시각 자극을 윤곽, 전경 객체, 배경 장면의 세 가지 생물학적으로 정렬된 구성 요소로 분해하고, 이를 세 가지 스트림의 EEG 인코더의 기준으로 사용한다. EEG 특징은 V1에서 IT, 그리고 연합 피질로의 피질 정보 흐름을 시뮬레이션하는 교차 주의 라우팅을 통해 점진적으로 통합된다. 또한, 계층적 대조 학습을 채택하여 EEG 표현을 CLIP 임베딩과 정렬함으로써 제로샷 객체 인식을 가능하게 한다. THINGS-EEG 데이터셋에 대한 광범위한 실험을 통해 ViEEG는 기존 방법보다 45% 이상 향상된 성능을 보이며, 주어-종속 설정에서 40.9%의 Top-1 정확도, 주어-독립 설정에서 22.9%의 Top-1 정확도를 달성하여 최첨단 성능을 달성함을 보여준다.
