編輯：編輯部

【新智元導讀】近日，一項研究聲稱能夠用Stable Diffusion將大腦活動重建為高解析度、高精確度的圖像。相關論文被CVPR 2023接收，引起網友譁然，AI讀腦已經近在咫尺？

即便沒有霍格沃茨的魔法，也能看到別人在想什麼了！

方法很簡單，基於Stable Diffusion便可視化大腦圖像。

比如，你看到的小熊、飛機、火車是這樣的。

當AI看到大腦信號後，生成的圖像是下面的樣子，可見該有的要點全有了。

這個AI讀腦術剛剛被CVPR 2023接收，讓圈友們瞬間「顱內高潮」。

太野了！忘了提示工程吧，現在你只需要用腦子去「想」那些畫面就行了。

想像一下，用Stable Diffusion從fMRI數據中重建視覺圖像，或許意味著未來可能發展為非入侵式的腦機接口。

讓AI直接跳過人類語言，感知人類大腦中所思所想。

到時候，馬斯克搞的Neuralink也要追趕這一AI天花板了。

無需微調，用AI直接復現你在想什麼

那麼，AI讀腦究竟如何實現？

最新研究來自日本大阪大學的研究團隊。

論文地址：https://sites.google.com/view/stablediffusion-with-brain/

大阪大學前沿生物科學研究生院和日本NICT的CiNet的研究人員基於潛在的擴散模型（LDM），更具體地說，通過Stable Diffusion從fMRI數據中重建視覺體驗。

整個運作過程的框架也非常簡單：1個圖像編碼器、1個圖像解碼器，還有1個語義解碼器。

通過這樣做，該團隊消除了訓練和微調複雜人工智慧模型的需要。

所有需要訓練的是簡單的線性模型，將下部和上部視覺腦區的fMRI信號映射到單個Stable Diffusion成分。

具體來說，研究人員將大腦區域映射為圖像和文本編碼器的輸入。下部腦區被映射到圖像編碼器，上部腦區被映射到文本編碼器。如此一來可以這讓該系統能夠使用圖像組成和語義內容進行重建。

首先是解碼分析。研究中採用的LDM模型，由圖像編碼器ε、圖像解碼器D、文本編碼器τ組成。

研究者分別從早期和高級視覺皮層的fMRI信號中解碼出重建圖像z以及相關文本c的潛在表徵，將其作為輸入，由自動編碼器生成復現出的圖像Xzc。

接著，研究者還建立了一個編碼模型，對來自LDM不同組件的fMRI信號進行預測，從而探索LDM的內部運作機制。

研究人員使用來自自然場景數據集（NSD）的fMRI圖像進行實驗，並測試他們是否能使用Stable Diffusion來重建受試者看到的東西。

可以看到，編碼模型與LDM相關潛像預測精度，最後一種模型在大腦後部視覺皮層產生的預測精確度是最高的。

對一個主體的視覺重建結果顯示，只用z重建的圖像在視覺上與原始圖像一致，但不能捕捉到語義內容。

而只用c重建的圖像具有較好的語義保真度，但視覺一致性較差，使用zc重建的圖像則可以同時具備高語義保真度和高解析度。

來自所有受試者對同一圖像的重建結果顯示，重建的效果在不同受試者之間是穩定且比較準確的。

而在具體細節方面的差異，可能來源於不同個體感知經驗或者數據質量的不同，而非是重建過程有誤。

最後，定量評估的結果被繪製成圖表。

種種結果顯示，研究中採用的方法不僅可以捕捉到低層次的視覺外觀，而且還能捕捉到原始刺激物的高層次語義內容。

由此看來，實驗表明圖像和文本解碼的結合提供了準確的重建。

研究人員表示，受試者之間在準確性方面存在差異，但這些差異與fMRI圖像的質量相關。根據該團隊的說法，重建的質量與目前SOTA的方法相當，但不需要訓練其中用到的AI模型。

與此同時，該團隊還利用從fMRI數據中得出的模型來研究Stable Diffusion的各個構建塊，例如語義內容是如何在逆向擴散過程中產生的，或者在U-Net中發生什麼過程。

在去噪過程的早期階段，U-Net 的瓶頸層（橙色）產生最高的預測性能，隨著去噪過程的進行，早期層（藍色）進行對早期視覺皮層活動的預測，瓶頸層則轉向高級視覺皮層。

這也就是說，在擴散過程剛開始時，圖像信息壓縮在瓶頸層中，伴隨著去噪，U-Net層之間的分離出現在視覺皮層中。

此外，該團隊正在對擴散不同階段的圖像轉換進行定量解釋。通過這種方式，研究人員旨在從生物學的角度為更好地理解擴散模型做出貢獻，這些模型被廣泛使用，但人們對它們的理解仍然很有限。

人腦畫面，早被AI解碼了？

多年來，研究人員一直在使用人工智慧模型來解碼來自人類大腦的信息。

大多數方法的核心，通過使用預先錄製的fMRI圖像作為文本或圖像的生成性AI模型的輸入。

例如，在2018年初，一組來自日本的研究人員展示了一個神經網絡如何從fMRI錄音中重建圖像。

2019年，一個小組從猴子的神經元中重建了圖像，Meta的研究小組在Jean-Remi King的領導下，發表了新的工作，例如從fMRI數據中得出文本。

2022年10月，德克薩斯大學奧斯汀分校的一個團隊表明，GPT模型可以從fMRI掃描中推斷出描述一個人在視頻中看到的語義內容的文本。

2022年11月，新加坡國立大學、香港中文大學和史丹福大學的研究人員使用了MinD-Vis擴散模型從fMRI掃描中重建圖像，其準確性明顯高於當時的可用方法。

再往前倒推的話，有網友指出了「根據腦電波生成圖像至少從2008年開始就有了，以某種方式暗示著Stable Diffusion能夠讀懂人的思想，簡直太荒謬了。」

這項由加利福尼亞大學伯克利分校發表在Nature的論文稱，利用視覺解碼器可以將人的腦電波活動轉換成圖像。

要說追溯歷史，還有人直接拿出1999年，斯坦福李飛飛的一項關於從大腦皮層重建圖像的研究。

李飛飛也動手點評轉發，稱自己那時還是一名大學實習生。

還有2011年，UC伯克利的一項研究使用功能磁共振成像（fMRI）和計算模型，初步重建了大腦的「動態視覺圖像」。

也就是說，他們重現了人們看過的片段。

但是相比起最新研究，這項重建完全稱不上「高清」，幾乎無法辨認。

作者介紹

Yu Takagi

Yu Takagi是大阪大學的一名助理教授。他的研究興趣是計算神經科學和人工智慧的交叉領域。

在博士期間，他在ATR腦信息交流研究實驗室研究使用功能性磁共振成像（fMRI）從全腦功能連接預測不同個體差異的技術。

最近，他在牛津大學的牛津人腦活動中心和東京大學的心理學系，利用機器學習技術了解複雜決策任務中的動態計算。

Shinji Nishimoto

Shinji Nishimoto是大阪大學的教授。他的研究方面是對大腦中視覺和認知處理的定量理解。

更具體地說，Nishimoto教授團隊的研究重點是通過建立自然感知和認知條件下誘發的大腦活動的預測模型來理解神經處理和代表。

有網友問作者，這項研究能否用於解夢？

「將同樣的技術應用於睡眠期間的大腦活動是可能的，但這種應用的準確性目前還不清楚。」

看過這項研究後：攝神取念術（Legilimency）妥妥的有了。

參考資料：

https://sites.google.com/view/stablediffusion-with-brain/

https://www.biorxiv.org/content/10.1101/2022.11.18.517004v2