Реконструкция визуальных стимулов по нейронным сигналам представляет собой фундаментальную задачу нейродекодирования, находящуюся на стыке вычислительной нейронауки и машинного обучения. Несмотря на успехи, достигнутые благодаря применению контрастивного обучения и диффузионных генеративных моделей, большинство существующих подходов ограничены использованием лишь одной модальности: либо функциональной магнитно-резонансной томографии (фМРТ) с высоким пространственным разрешением, либо электроэнцефалографии (ЭЭГ) с высокой временной точностью. Совместное использование этих модальностей остается малоизученным направлением. В данной работе предложена мультимодальная архитектура, одновременно обрабатывающая сигналы фМРТ и ЭЭГ для реконструкции визуальных стимулов. Эмбеддинги мозговой активности обучаются контрастивно для их сближения с CLIP (Contrastive Language-Image Pretraining) представлениям изображений. Предложенная двухстадийная схема генерации включает синтез промежуточного латентного представления с помощью априорной модели, обученной на совместных фМРТ–ЭЭГ-векторах, и последующее декодирование этого представления предобученной диффузионной моделью, обусловленной CLIP-эмбеддингами. Эксперименты на открытом мультимодальном датасете подтверждают эффективность разработанной архитектуры в задаче нейродекодирования. По метрике CLIP-Score мультимодальная модель превосходит одномодальные аналоги, что подчеркивает значимость совместного анализа фМРТ и ЭЭГ для точной реконструкции визуальных стимулов.