一個(gè)「所見即所思」的世界將是什么樣子？
在科幻小說《三體》中，企圖占領(lǐng)地球的三體人被賦予了一個(gè)很獨(dú)特的設(shè)定：通過腦電波共享信息，彼此之間思維透明、不善陰謀。在他們那里，想和說是同一個(gè)詞。而人類則利用自身思維不透明的特性想出了「面壁計(jì)劃」，最終成功騙過三體人，取得了階段性勝利。
那么問題來了，人類的思維真的是完全不透明的嗎？隨著一些技術(shù)手段的出現(xiàn)，這個(gè)問題的答案似乎沒有那么絕對了。很多研究者都在嘗試解碼人類思維的奧秘，將一些大腦中的信號解碼為文字、圖像等信息。
最近，兩個(gè)研究團(tuán)隊(duì)同時(shí)在圖像解碼方向取得了重要進(jìn)展，而且相關(guān)論文都被 CVPR 2023接收了。
第一個(gè)團(tuán)隊(duì)來自大阪大學(xué)，他們使用最近非?；鸬?Stable Diffusion，能從功能磁共振成像 (fMRI) 獲得的人腦活動圖像中重建大腦活動中的高分辨率、高精準(zhǔn)圖像（參見《Stable Diffusion 讀你大腦信號就能重現(xiàn)圖像，研究還被 CVPR 接收了》）。
巧合的是，幾乎同一時(shí)間，來自新加坡國立大學(xué)、香港中文大學(xué)和斯坦福大學(xué)的華人團(tuán)隊(duì)也做出了類似的成果。他們開發(fā)了一款名為「MinD-Vis」的人類視覺解碼器，通過預(yù)訓(xùn)練的一個(gè) mask modeling 和 latent diffusion model，能從 fMRI 數(shù)據(jù)中直接解碼出人類視覺刺激。它生成的這些圖像不僅有合理的細(xì)節(jié)，而且還準(zhǔn)確地呈現(xiàn)了圖像的語義和特征（如紋理和形狀）。目前，這項(xiàng)研究的代碼已經(jīng)開源。
論文題目：Seeing Beyond the Brain: Conditional Diffusion Model with Sparse Masked Modeling for Vision Decoding
論文鏈接：http://arxiv.org/abs/2211.06956
代碼鏈接：https://github.com/zjc062/mind-vis
項(xiàng)目鏈接：https://mind-vis.github.io/
接下來我們將詳細(xì)介紹這篇論文。
研究概覽
「所見即所思」。
人類的感知和先前知識在大腦中有著密切的關(guān)聯(lián)，我們對世界的感知不僅受到客觀刺激的影響，也受到我們的經(jīng)驗(yàn)影響，這些影響形成了復(fù)雜的大腦活動。理解這些大腦活動并解碼信息是認(rèn)知神經(jīng)科學(xué)的重要目標(biāo)之一，其中解碼視覺信息是一個(gè)具有挑戰(zhàn)性的問題。
功能性磁共振成像 (fMRI) 是一種常用的非侵入性且有效的方法，可以用于恢復(fù)視覺信息，如圖像類別。
MinD-Vis 的目的是探索使用深度學(xué)習(xí)模型直接從 fMRI 數(shù)據(jù)中解碼視覺刺激的可能性。
以往的方法直接從 fMRI 數(shù)據(jù)中解碼復(fù)雜神經(jīng)活動時(shí)，存在缺乏 {fMRI - 圖像} 配對和有效的生物學(xué)指導(dǎo)的問題，所以重建的圖像通常模糊且在語義上無意義。因此，有效地學(xué)習(xí) fMRI 表征是一項(xiàng)重要的挑戰(zhàn)，這有助于建立大腦活動與視覺刺激之間的聯(lián)系。
此外，個(gè)體變異性使問題更加復(fù)雜，我們需要從大型數(shù)據(jù)集中學(xué)習(xí)表征，并且放寬從 fMRI 生成條件合成的限制。
因此，作者認(rèn)為使用自監(jiān)督學(xué)習(xí) (Self-supervised learning with pre-text task) 加上大規(guī)模生成模型可以使模型在相對較小的數(shù)據(jù)集上微調(diào)后具有上下文知識和令人驚嘆的生成能力。
在上述分析的驅(qū)動下，MinD-Vis 提出了人類視覺解碼的掩碼信號建模與雙條件潛在擴(kuò)散模型，具體貢獻(xiàn)如下：
提出了 Sparse Coded-Masked Brain Modeling（SC-MBM），作為受生物學(xué)指導(dǎo)的有效視覺解碼大腦特征預(yù)訓(xùn)練學(xué)習(xí)器。
通過增加雙條件潛在擴(kuò)散模型（DC-LDM），在相同語義下強(qiáng)化了解碼一致性，同時(shí)允許生成方差。
結(jié)合 SC-MBM 的表示能力和 DC-LDM 的生成能力，MinD-Vis 生成的圖像在保留語義信息的同時(shí)更加合理。
在多個(gè)數(shù)據(jù)集上進(jìn)行了定量和定性測試。
與過往的方法進(jìn)行對比 – 生成質(zhì)量
與過往的方法進(jìn)行對比 – 評判指標(biāo)的定量對比
自監(jiān)督學(xué)習(xí) + 大規(guī)模生成模型
由于收集 {fMRI - 圖像} 配對非常昂貴且耗時(shí)，這個(gè)任務(wù)一直存在缺乏數(shù)據(jù)標(biāo)注的問題。另外，每個(gè)數(shù)據(jù)集、每個(gè)個(gè)體的數(shù)據(jù)都會存在一定的域偏移。
在這個(gè)任務(wù)中，研究人員的目標(biāo)是建立大腦活動與視覺刺激之間的聯(lián)系，并由此生成相應(yīng)的圖像信息。
為此，他們使用了自監(jiān)督學(xué)習(xí)和大規(guī)模生成模型。他們認(rèn)為這種方法可以使模型在相對較小的數(shù)據(jù)集上進(jìn)行微調(diào)，并獲得上下文知識和令人驚嘆的生成能力。
MinD-Vis 框架
接下來將詳細(xì)介紹 MinD-Vis 框架，并介紹設(shè)計(jì)的理由和思路。
fMRI 數(shù)據(jù)有這些特點(diǎn)和問題：
fMRI 用 3D 體素（voxel）來測量大腦血氧水平相關(guān)（BOLD）的變化，來觀測大腦活動變化。鄰近體素的幅度通常相似，表明 fMRI 數(shù)據(jù)中存在空間冗余。
在計(jì)算 fMRI 數(shù)據(jù)時(shí)，通常會提取 Region of Interest (ROI) 并把數(shù)據(jù)打成 1D vector。在這個(gè)任務(wù)里，只提取大腦 visual cortex 的信號，因此，體素的數(shù)量（約為 4000）遠(yuǎn)比圖像里像素點(diǎn)的數(shù)量（256*256*3）少，這樣的數(shù)據(jù)在緯度方面和通常處理圖像數(shù)據(jù)的方式存在相當(dāng)?shù)牟罹唷?/span>
由于個(gè)體差異，實(shí)驗(yàn)設(shè)計(jì)的差異，腦信號的復(fù)雜程度，每個(gè)數(shù)據(jù)集、每個(gè)個(gè)體的數(shù)據(jù)都會存在一定的域偏移。
對于一個(gè)固定的視覺刺激，研究者希望模型還原的圖像在語義上一致；但由于個(gè)體差異，每個(gè)人看到這個(gè)視覺刺激的反應(yīng)不同，研究者又希望模型有一定的方差和靈活性。
為了解決這些問題， MinD-Vis 包含兩個(gè)階段：
利用大規(guī)模的 fMRI 數(shù)據(jù)集來訓(xùn)練 Masked Autoencoder，來學(xué)習(xí) fMRI representation。
將預(yù)訓(xùn)練好的 fMRI encoder 與 LDM 通過 cross-attention conditioning 和 time-step conditioning 相集成進(jìn)行 double conditioning，以進(jìn)行條件合成。然后，通過使用配對的 {fMRI, Image} 來共同 finetune LDM 中的 cross attention head。
下面將在這里詳細(xì)介紹這兩步。
MinD-Vis Overview
（A）Sparse-Coded Masked Brain Modeling (SC-MBM) (MinD-Vis Overview 左)
由于 fMRI 空間信息冗余，即使大部分被遮蓋，fMRI 數(shù)據(jù)仍然可以恢復(fù)。因此，在 MinD-Vis 的第一階段，為了節(jié)省計(jì)算時(shí)間，大部分 fMRI 數(shù)據(jù)被遮蓋了。這里，作者使用了類似于 Masked Autoencoder 的做法：
將 fMRI voxels 劃分成 patches
使用有等于 patches 大小的步長的 1D 卷積層轉(zhuǎn)換成 embedding
把剩余的 fMRI patch 加入 positional embedding 后作為 vision transformer 的輸入
解碼得到重建的數(shù)據(jù)
計(jì)算重建的數(shù)據(jù)與原數(shù)據(jù)的 loss
通過反向傳播優(yōu)化模型，使得重建的數(shù)據(jù)盡可能地與原數(shù)據(jù)相似
重復(fù) 2-6 的步驟，訓(xùn)練出最終模型
SC-MBM 能有效還原被掩蓋的 fMRI 信息
這個(gè)設(shè)計(jì)和 Masked Autoencoder 有什么區(qū)別？
當(dāng) mask modelling 應(yīng)用于自然圖像時(shí)，模型一般使用等于或略大于 1 的 embedding-to-patch-size ratio。
在這個(gè)任務(wù)中，作者使用了比較大的 embedding-to-patch-size ratio，這能顯著提高信息容量，為 fMRI 創(chuàng)建了大的表征空間，這種設(shè)計(jì)也對應(yīng)于大腦中信息的稀疏編碼*。
SC-MBM 的消融實(shí)驗(yàn)
（B）Double-Conditioned LDM (DC-LDM) (MinD-Vis Overview 右)
在 Stage A 中進(jìn)行了 large-scale context learning 之后，fMRI encoder 可以將 fMRI 數(shù)據(jù)轉(zhuǎn)換為具有局部性約束的 sparse representation。在這里，作者將解碼任務(wù)表述為條件生成問題，并使用預(yù)訓(xùn)練的 LDM 來解決此問題。
LDM 在圖像的潛在空間上操作，fMRI 數(shù)據(jù) z 作為條件信息，目標(biāo)是學(xué)習(xí)通過反向擴(kuò)散過程形成圖像。
在圖像生成任務(wù)中，多樣性和一致性是相反的目標(biāo)，fMRI 到圖像更依賴于生成一致性。
為了確保生成一致性，作者將 cross attention conditioning 和 time step conditioning 相結(jié)合，并在 UNet 的中間層使用帶有 time embedding 的條件機(jī)制。
他們進(jìn)一步把優(yōu)化目標(biāo)式重新表述為雙重調(diào)節(jié)交替式。
我們通過多次解碼不同隨機(jī)狀態(tài)的圖像證明了我們方法的穩(wěn)定性。
微調(diào)
在 fMRI encoder 通過 SC-MBM 預(yù)訓(xùn)練后，它與預(yù)先訓(xùn)練的 LDM 通過 double conditioning 整合在一起。在這里，作者：
將 encoder 的輸出使用卷積層合并到 latent dimension 中；
聯(lián)合優(yōu)化 fMRI encoder、cross attention heads 和 projection heads，其他部分固定；
微調(diào) cross attention heads 是連接 pre-trained conditioning space 和 fMRI latent space 的關(guān)鍵；
在通過 fMRI 圖像對端到端進(jìn)行微調(diào)的過程中，通過 large-capacity fMRI representations 將學(xué)到 fMRI 和圖像特征之間更清晰的聯(lián)系。
DC-LDM 的消融實(shí)驗(yàn)
額外細(xì)節(jié)
意外的是，MinD-Vis 可以解碼出一些在 ground truth 圖像里并不實(shí)際存在，但與圖片內(nèi)容十分相關(guān)的細(xì)節(jié)。比如說，當(dāng)圖片是自然風(fēng)景時(shí)，MinD-Vis 解碼出了河流和藍(lán)天；在提供房屋時(shí)，MinD-Vis 解碼出了相似的室內(nèi)裝飾。這既有好處又有壞處。好處在于，這說明我們能夠解碼出想象到的內(nèi)容；壞處在于，這可能會影響對解碼結(jié)果的評估。
喜聞樂見的翻車集錦
作者認(rèn)為，在訓(xùn)練樣本數(shù)量較少的情況下，刺激的解碼難度會有所不同。例如，GOD 數(shù)據(jù)集包含的動物訓(xùn)練樣本比服裝多。這意味著一個(gè)語義上類似于 “毛茸茸” 的詞更可能被解碼為動物而不是服裝，如上圖所示，其中一只襪子被解碼為一只羊。
實(shí)驗(yàn)設(shè)置
數(shù)據(jù)集
在這里，作者用了三個(gè)公開數(shù)據(jù)集。
第一階段的預(yù)訓(xùn)練：用了 Human Connectome Project，它提供 136,000 個(gè) fMRI 數(shù)據(jù)片段，沒有圖像，只有 fMRI。
微調(diào) Encoder 和第二階段的生成模型：用了 Generic Object Decoding Dataset (GOD) 和 Brain, Object, Landscape Dataset (BOLD5000) 數(shù)據(jù)集。這兩個(gè)數(shù)據(jù)集分別提供了 1250 張和 5254 張 {fMRI, Image} 配對，其中，分別取了 50 張和 113 張作為測試集。
模型結(jié)構(gòu)
本文模型結(jié)構(gòu)的設(shè)計(jì)（ViT 和擴(kuò)散模型）主要是參照過去的文獻(xiàn)。模型參數(shù)細(xì)節(jié)請參照正文。同樣地，他們也采用了一種不對稱的體系結(jié)構(gòu)：編碼器旨在學(xué)習(xí)有意義的 fMRI 表示，而解碼器試圖預(yù)測被遮蓋的塊。因此，我們遵循以前的設(shè)計(jì)，使解碼器更小，預(yù)訓(xùn)練后我們將其舍棄。
評判指標(biāo)
跟過往的文獻(xiàn)一樣，作者也使用了 n-way top-1 和 top-5 分類準(zhǔn)確率來評估結(jié)果的語義正確性。這是一種在多次試驗(yàn)中，通過計(jì)算 n-1 個(gè)隨機(jī)選擇的類別和正確類別的 top-1 和 top-5 分類準(zhǔn)確率來評估結(jié)果的方法。與先前的方法不同，他們在這里采用了更直接、可復(fù)制的評估方法，即使用預(yù)訓(xùn)練的 ImageNet1K 分類器來判斷生成圖像的語義正確性，而不是使用 handcrafted features。此外，他們還使用了 Fréchet inception distance（FID）作為參考來評估生成圖像的質(zhì)量。但是，由于數(shù)據(jù)集中圖像數(shù)量有限，因此 FID 可能無法完美地評估圖像分布。
效果
這篇文章的實(shí)驗(yàn)是在個(gè)體水平上進(jìn)行的，即模型在同一個(gè)個(gè)體上進(jìn)行訓(xùn)練和測試。為了與之前的文獻(xiàn)進(jìn)行比較，在這里報(bào)告了 GOD 數(shù)據(jù)集第三位被試的結(jié)果，并在附錄中列出了其他被試的結(jié)果。
寫在最后
通過這個(gè)項(xiàng)目，作者展示了通過 fMRI 還原人腦視覺信息的可行性。然而，這個(gè)領(lǐng)域有很多問題需要解決，例如如何更好地處理個(gè)體之間的差異性，如何減少噪聲和干擾對解碼的影響，如何將 fMRI 解碼與其他神經(jīng)科學(xué)技術(shù)結(jié)合起來，以更全面地理解人類大腦的機(jī)制和功能。同時(shí)，我們也需要更好地了解和尊重人類大腦和個(gè)體隱私方面的倫理和法律問題。
此外，我們還需要探索更廣泛的應(yīng)用場景，例如醫(yī)學(xué)和人機(jī)交互等領(lǐng)域，以便將這項(xiàng)技術(shù)轉(zhuǎn)化為實(shí)際應(yīng)用。在醫(yī)學(xué)領(lǐng)域，fMRI 解碼技術(shù)未來可能可以被用來幫助視覺障礙人士、聽覺障礙人士、甚至全身癱瘓患者等特殊群體來解碼出他們的想法。這些人由于身體上的障礙，無法通過傳統(tǒng)的交流方式來表達(dá)自己的思想和意愿。通過使用 fMRI 技術(shù)，科學(xué)家們可以解碼他們的大腦活動，從而獲取他們的想法和意愿，進(jìn)而與他們進(jìn)行更加自然和高效的交流。在人機(jī)交互領(lǐng)域，fMRI 解碼技術(shù)可以被用來開發(fā)更加智能和自適應(yīng)的人機(jī)界面和控制系統(tǒng)，例如通過解碼用戶的大腦活動來實(shí)現(xiàn)更加自然和高效的人機(jī)交互體驗(yàn)。
我們相信，在大規(guī)模數(shù)據(jù)集 + 大模型 + 算力的加持下，fMRI 解碼將會有更加廣泛和深遠(yuǎn)的影響，推動認(rèn)知神經(jīng)科學(xué)和人工智能領(lǐng)域的發(fā)展。
注：*使用稀疏編碼在腦中學(xué)習(xí)視覺刺激表示的生物學(xué)基礎(chǔ)：稀疏編碼曾被提出來作為感覺信息表征的一種策略。研究表明，視覺刺激在視覺皮層中被稀疏編碼，這樣可以增加信息傳輸效率并減少腦中的冗余。使用 fMRI 可以從視覺皮層收集的少量數(shù)據(jù)中重建自然場景的視覺內(nèi)容。稀疏編碼可能是計(jì)算機(jī)視覺中編碼的有效方式。文章中提到了 SC-MBM 方法，它將 fMRI 數(shù)據(jù)分成小塊來引入局部性約束，然后將每個(gè)小塊稀疏編碼成高維向量空間，這樣可以作為生物學(xué)上有效且高效的腦特征學(xué)習(xí)器，用來進(jìn)行視覺編碼解碼。
聯(lián)系客服
