惊！读取大脑重建高清视频，Stable Diffusion还能这么用
科幻走进现实
金磊 发自 凹非寺
量子位 | 公众号 QbitAI
现在，AI可以把人类脑中的信息，用高清视频展示出来了！
例如你坐在副驾所欣赏到的沿途美景信息，AI分分钟给重建了出来：
看到过的水中的鱼儿、草原上的马儿，也不在话下：
这就是由新加坡国立大学和香港中文大学共同完成的最新研究，团队将项目取名为MinD-Video。
这波操作，宛如科幻电影《超体》中Lucy读取反派大佬记忆一般：
引得网友直呼：
推动人工智能和神经科学的前沿。
值得一提的是，大火的Stable Diffusion也在这次研究中立了不小的功劳。
怎么做到的？
从大脑活动中重建人类视觉任务，尤其是功能磁共振成像技术（fMRI）这种非侵入式方法，一直是受到学界较多的关注。
因为类似这样的研究，有利于理解我们的认知过程。
但以往的研究都主要聚焦在重建静态图像，而以高清视频形式来展现的工作还是较为有限。
之所以会如此，是因为与重建一张静态图片不同，我们视觉所看到的的场景、动作和物体的变化是连续、多样化的。
而fMRI这项技术的本质是测量血氧水平依赖（BOLD）信号，并且在每隔几秒钟的时间里捕捉大脑活动的快照。
相比之下，一个典型的视频每秒大约包含30帧画面，如果要用fMRI去重建一个2秒的视频，就需要呈现起码60帧。
因此，这项任务的难点就在于解码fMRI并以远高于fMRI时间分辨率的FPS恢复视频。
为了弥合图像和视频大脑解码之间差距，研究团队便提出了MinD-Video的方法。
整体来看，这个方法主要包含两大模块，它们分别做训练，然后再在一起做微调。
这个模型从大脑信号中逐步学习，在第一个模块多个阶段的过程，可以获得对语义空间的更深入理解。
具体而言，便是先利用大规模无监督学习与mask brain modeling（MBM）来学习一般的视觉fMRI特征。
然后，团队使用标注数据集的多模态提取语义相关特征，在对比语言-图像预训练（CLIP）空间中使用对比学习训练fMRI编码器。
在第二个模块中，团队通过与增强版Stable Diffusion模型的共同训练来微调学习到的特征，这个模型是专门为fMRI技术下的视频生成量身定制的。
如此方法之下，团队也与此前的诸多研究做了对比，可以明显地看到MinD-Video方法所生成的图片、视频质量要远优于其它方法。
而且在场景连续变化的过程中，也能够呈现高清、有意义的连续帧。
研究团队
这项研究的共同一作，其中一位是来自新加坡国立大学的博士生Zijiao Chen，目前在该校的神经精神疾病多模式神经成像实验室（MNNDL_Lab）。
另一位一作则是来自香港中文大学的Jiaxin Qing，就读专业是信息工程系。
除此之外，通讯作者是新加坡国立大学副教授Juan Helen ZHOU。
据了解，这次的新研究是他们团队在此前一项名为MinD-Vis的功能磁共振成像图像重建工作的延伸。
MinD-Vis已经被CVPR 2023所接收。
参考链接：
[1]https://mind-video.com/
[2]https://twitter.com/ZijiaoC/status/1660470518569639937
[3]https://arxiv.org/abs/2305.11675
- 人在B站，要被AI公司们挤爆了2024-04-15
- 清华团队推出新平台：用去中心化AI打破算力荒2024-04-17
- Sora问世，如何用大模型反诈？2024-04-18
- 识读2300多年的战国竹简，清华系初创竟只用2B端侧大模型！2024-04-12
相关阅读
