MindVideo

MindVideo

大脑活动视频重建技术取得重大突破

MinD-Video是一种从大脑记录重建高质量视频的新型框架。该技术利用掩蔽大脑建模、多模态对比学习和增强稳定扩散模型,从fMRI数据中学习时空信息。MinD-Video可重建任意帧率的视频,在语义分类任务中准确率达85%,结构相似性指数达0.19,较先前技术提升45%。这项研究在NeurIPS 2023获得口头报告资格,为理解人类认知过程提供了新的途径。

MinD-Video脑活动视频重建fMRI神经科学Github开源项目

电影般的意识景观:从大脑活动中高质量重建视频

arXiv | 网站.<br/>

<p align="center"> <img src=assets/first_fig.png /> </p>

MinD-Video

MinD-Video是一个从大脑记录中高质量重建视频的框架。<br/>

电影般的意识景观:从大脑活动中高质量重建视频.<br/> 陈子娇*, 卿佳欣*, 周海伦<br/> * 共同第一作者 <br/>

新闻

  • 2023年9月22日:被NeurIPS 2023接收为口头报告。
  • 2023年5月20日:预印本发布。

摘要

从大脑活动中重建人类视觉一直是一项引人入胜的任务,有助于我们理解认知过程。尽管近期研究在从非侵入性脑记录中重建静态图像方面取得了巨大成功,但在以视频形式恢复连续视觉体验方面的工作仍然有限。 在本研究中,我们提出了MinD-Video,它通过掩码大脑建模、使用时空注意力的多模态对比学习,以及与增强型Stable Diffusion模型(融合了网络时间膨胀)的共同训练,从大脑皮层的连续fMRI数据中逐步学习时空信息。 我们展示了使用对抗性引导,MinD-Video可以重建任意帧率的高质量视频。重建的视频通过各种语义和像素级指标进行了评估。我们在语义分类任务中达到了85%的平均准确率,结构相似性指数(SSIM)达到0.19,比之前的最先进水平提高了45%。我们还表明,我们的模型在生物学上是合理的,且具有可解释性,反映了已建立的生理过程。

概述

流程图

样本展示

  • 以下展示了一些样本。我们的方法可以重建各种物体、动物、动作和场景。重建的视频质量高,且与地面真实情况一致。更多样本请参阅我们的网站或通过谷歌云盘下载。
  • 以下样本目前是在一块RTX3090上生成的。由于GPU内存限制,下面展示的样本当前是2秒长、3帧每秒、256 x 256分辨率的视频。但如果有更多GPU内存可用,我们的方法可以处理更长的大脑记录并重建更长、全帧率(30帧每秒)和更高分辨率的视频。
<table> <tr> <td> &nbsp; &nbsp; &nbsp; &nbsp; 原始&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 我们的</td> <td> &nbsp; &nbsp; &nbsp; &nbsp; 原始&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 我们的</td> <td> &nbsp; &nbsp; &nbsp; &nbsp; 原始&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 我们的</td> <td> &nbsp; &nbsp; &nbsp; &nbsp; 原始&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 我们的</td> <td> &nbsp; &nbsp; &nbsp; &nbsp; 原始&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 我们的</td> </tr> <tr> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/0b1b0647-b6f5-4190-93f6-420df4ea8e8c.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/fb1cd25d-c823-4567-867e-eeecb4e9b024.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/b24e2018-04de-4dd0-a990-3d9dc6be74fc.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/3563e007-2dd9-43ed-bec9-8cba764578ea.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/411bbcab-48a3-4409-a408-befc2f318990.gif" width = 200 height = 100 ></td> </tr> <tr> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/52d57e31-c854-4193-8357-1d3920907d95.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/0df6b4bf-5a8c-4bd8-8c6f-effe552ea837.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/b9fdf179-1fb1-482a-b880-4ec6289443d3.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/6088ba1e-017c-4cf6-9d5a-11981e74cc9b.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/443c8e6b-07ce-44f6-8743-79f201029fc1.gif" width = 200 height = 100 ></td> </tr> <tr> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/365f200d-024e-4422-b1a9-fd7c55e4f9c7.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/53226d5b-9bf8-4d40-ad94-34be57b808e4.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/4936ed25-81d9-4a9b-ad2d-4b87b077a125.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/85f4aa92-e6b3-4a33-95fe-3a7b105a2b81.gif" width = 200 height = 100 ></td> <td> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/54a15134-56b2-41ad-95e3-88b726e23b2b.gif" width = 200 height = 100 ></td> </tr> </table>

环境配置

使用我们的env.yaml创建并激活名为mind-video的conda环境

conda env create -f env.yaml conda activate mind-video

下载数据和检查点

大规模预训练数据集从HCP下载。有关大规模预训练脚本,请参考这个仓库。 我们的目标数据集Wen (2018)可以从这里下载。

这里下载预训练检查点和预处理的测试数据。相应地更改配置文件中的路径。

复现我们的结果

方法1:使用预训练检查点运行生成

python scripts/eval_all.py --config configs/eval_all_sub1.yaml

将half_precision设置为True,num_inference_steps设置为50以加快推理速度。

方法2:下载生成的视频并运行指标评估

谷歌云盘下载生成的视频。

python scripts/run_metrics.py /path/to/generated/videos

致谢

我们感谢Tune-A-Video的作者开源他们的代码。我们还要感谢普渡大学综合脑成像实验室公开他们的数据。

BibTeX

@article{chen2023cinematic,
  title={Cinematic Mindscapes: High-quality Video Reconstruction from Brain Activity},
  author={Chen, Zijiao and Qing, Jiaxin and Zhou, Juan Helen},
  journal={NeurIPS},
  year={2023}
}

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多