驚！大腦視覺信號被Stable Diffusion復現(xiàn)成視頻！

現(xiàn)在，AI可以把人類腦中的信息，用高清視頻展示出來了！

例如你坐在副駕所欣賞到的沿途美景信息，AI分分鐘給重建了出來：

看到過的水中的魚兒、草原上的馬兒，也不在話下：

這就是由新加坡國立大學和香港中文大學共同完成的最新研究，團隊將項目取名為MinD-Video。

Cinematic Mindscapes: High-quality Video Reconstruction from Brain Activity 主頁：https://mind-video.com/ 論文：https://arxiv.org/abs/2305.11675 代碼：https://github.com/jqin4749/MindVideo

這波操作，宛如科幻電影《超體》中Lucy讀取反派大佬記憶一般：

引得網(wǎng)友直呼：

推動人工智能和神經(jīng)科學的前沿。

值得一提的是，大火的Stable Diffusion也在這次研究中立了不小的功勞。

怎么做到的？

從大腦活動中重建人類視覺任務，尤其是功能磁共振成像技術(shù)（fMRI）這種非侵入式方法，一直是受到學界較多的關(guān)注。

因為類似這樣的研究，有利于理解我們的認知過程。

但以往的研究都主要聚焦在重建靜態(tài)圖像，而以高清視頻形式來展現(xiàn)的工作還是較為有限。

之所以會如此，是因為與重建一張靜態(tài)圖片不同，我們視覺所看到的場景、動作和物體的變化是連續(xù)、多樣化的。

而fMRI這項技術(shù)的本質(zhì)是測量血氧水平依賴（BOLD）信號，并且在每隔幾秒鐘的時間里捕捉大腦活動的快照。

相比之下，一個典型的視頻每秒大約包含30幀畫面，如果要用fMRI去重建一個2秒的視頻，就需要呈現(xiàn)起碼60幀。

因此，這項任務的難點就在于解碼fMRI并以遠高于fMRI時間分辨率的FPS恢復視頻。

為了彌合圖像和視頻大腦解碼之間差距，研究團隊便提出了MinD-Video的方法。

整體來看，這個方法主要包含兩大模塊，它們分別做訓練，然后再在一起做微調(diào)。

這個模型從大腦信號中逐步學習，在第一個模塊多個階段的過程，可以獲得對語義空間的更深入理解。

具體而言，便是先利用大規(guī)模無監(jiān)督學習與mask brain modeling（MBM）來學習一般的視覺fMRI特征。

然后，團隊使用標注數(shù)據(jù)集的多模態(tài)提取語義相關(guān)特征，在對比語言-圖像預訓練（CLIP）空間中使用對比學習訓練fMRI編碼器。

在第二個模塊中，團隊通過與增強版Stable Diffusion模型的共同訓練來微調(diào)學習到的特征，這個模型是專門為fMRI技術(shù)下的視頻生成量身定制的。

如此方法之下，團隊也與此前的諸多研究做了對比，可以明顯地看到MinD-Video方法所生成的圖片、視頻質(zhì)量要遠優(yōu)于其它方法。

而且在場景連續(xù)變化的過程中，也能夠呈現(xiàn)高清、有意義的連續(xù)幀。

研究團隊

這項研究的共同一作，其中一位是來自新加坡國立大學的博士生Zijiao Chen，目前在該校的神經(jīng)精神疾病多模式神經(jīng)成像實驗室（MNNDL_Lab）。

另一位一作則是來自香港中文大學的Jiaxin Qing，就讀專業(yè)是信息工程系。

除此之外，通訊作者是新加坡國立大學副教授Juan Helen ZHOU。

據(jù)了解，這次的新研究是他們團隊在此前一項名為MinD-Vis的功能磁共振成像圖像重建工作的延伸。

MinD-Vis已經(jīng)被CVPR 2023所接收。

審核編輯 ：李倩