摘要 — 得益于具有强大表示的深度神经网络的最新进展，视觉神经编码和解码的最新研究取得了重大进展。然而，仍然存在两个挑战。首先，当前基于深度生成模型的解码算法总是与信息丢失作斗争，这可能会导致模糊重建。其次，大多数研究分别对神经编码和解码过程进行建模，忽略了这两个任务之间固有的对偶关系。在本文中，我们提出了一种新颖的神经编码和解码方法，该方法采用基于两阶段流的可逆生成模型来解决上述问题。首先，训练卷积自动编码器来连接刺激空间和特征空间。其次，训练对抗性跨模态正则化流以建立图像特征和神经信号之间的双射变换，并对潜在空间施加局部和全局约束以呈现跨模态对齐。该方法最终通过基于流的生成器和自动编码器的组合实现视觉刺激和神经响应的双向生成。基于流的可逆生成模型可以最大限度地减少信息损失，并将神经编码和解码统一到单一框架中。对包含脉冲信号的不同神经信号和功能磁共振成像的实验结果表明，我们的模型在比较模型中实现了最佳的综合性能。