驚！讀取大腦重建高清視頻，Stable Diffusion還能這么用
科幻走進現(xiàn)實
金磊 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
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。
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（fMRI）這種非侵入式方法，一直是受到學界較多的關注。
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這項技術的本質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。
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學習到的特征，這個模型是專門為fMRI技術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，目前在該校的神經精神疾病多模式神經成像實驗室（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已經被CVPR 2023所接收。
參考鏈接：
[1]https://mind-video.com/
[2]https://twitter.com/ZijiaoC/status/1660470518569639937
[3]https://arxiv.org/abs/2305.11675
- 商湯林達華萬字長文回答AGI：4層破壁，3大挑戰(zhàn)2025-08-12
- 商湯多模態(tài)大模型賦能鐵路勘察設計，讓70年經驗“活”起來2025-08-13
- 以“具身智能基座”為核，睿爾曼攜全產品矩陣及新品亮相2025 WRC2025-08-11
- 哇塞，今天北京被機器人人人人人塞滿了！2025-08-08
