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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多