我裂开了...人类脑海中的画面，被AI解码了？？
作者 | 白鹡鸰
导言
有没有那么几个瞬间，你要么想把自己脑子里的东西掏出来给别人看，要么想撬开别人的脑子看看里面都装了什么？虽然错过了霍格沃茨的入学时间，但如果从现在开始学习扩散模型和神经学，可能很快你就能实现这个目标了。新加坡国立大学，香港中文大学，和Stanford联手，基于扩散模型实现了从脑电波还原图像的“人类视觉解码器”。效果奇佳，还开源了代码和数据，这还不来一起看看？
▲图1 基于脑电波还原的图像与真实图像对比
论文题目：
Seeing Beyond the Brain: Conditional Diffusion Model with Sparse Masked Modeling for Vision Decoding
论文链接：
http://arxiv.org/abs/2211.06956
代码链接：
https://github.com/zjc062/mind-vis
背景
故事要从神经科学的基本理论说起。作为一个唯物主义的麻瓜，我必须相信，我的思维活动都依托于脑神经细胞，其释放的电信号就是大脑内部通信计算的物理媒介。既然我能够流畅地思考，那么脑电波必然传递了某种“有意义”的信号，而一段数据如果能携带某种信息，它必须要有一定规律可言。因此，从理论上来说，我们可以通过分析进行思维活动时产生的生物电信号，去反推思考的具体内容。这个观点已然不新奇了，大量的研究已经证实了反推大脑思维的可行性，脑机接口蒸蒸日上的热度，则是一个风向标，指示了相关技术在实际生活应用中的潜力。
当然，高情商的说法是有潜力，换个朴实一点的说法，那就是目前还存在大量技术瓶颈，研究中障碍重重。就拿通过脑电波还原人脑海中的图像这个任务来说，虽然脑电波是有规律的，这种规律却非常复杂。不仅如此，“每个人的脑回路不一样”也是物理的，也就是说，对同样的刺激（stimuli) ，每个人大脑做出的反馈都会存在差异。这个问题好解决吗？对于ML人来说，太简单了，大数据驱动。然而，联系到实际问题，脑电数据的采集，特别是有标签（脑电产生者思考内容）的脑电数据的采集，却没有特别丰富的数据。缺乏有标签的数据，缺乏处理数据的方法，是目前这个任务上一直难以取的进展的主要原因。
方法
基于fMRI收集的脑电数据
人脑中有左右的脑细胞，而它们的激活模式是非线性的（一般会用一组复杂的微分方程建模）。为了能观察如此复杂的神经网络的活动，目前广泛采用的是功能性磁共振成像（fMRI，functional magnetic resonance imaging）技术。这项技术不会对被试者造成物理上的伤害，包括外部创口（侵入式）和辐射问题。它的原理是利用磁共振技术，追踪大脑在思维活动时的血氧变化，依据于此成像。基于fMRI技术，研究者采集了大量的，特别是当人类在进行各种复杂的任务时的大脑活动数据。经过分析，研究者们发现人们在处理同样的任务时，大脑中被激活的区域基本相近 [1]。
作为1991年的Nature封面，fMRI得到了广泛研究，目前采集数据的技术已经相当成熟。但这一块的原理非常复杂，感兴趣的话可以搜索血氧依赖机理，blood-oxygen-level-dependent, BOLD。
▲图2 语言（讲故事）任务中大脑被激活区域
神经科学方面虽然有相当多fMRI的原始数据，但在实际使用时，会遇到这样一些问题：
fMRI扫描所得到的数据是以三维形式的体素 (voxel)记录的，每个数据点包括了三维坐标，电信号幅度等信息，维度很高。为了避免对体素直接进行运算，一般采用的方法是划兴趣区域 (Region of Interest, ROI)，对电信号求时序上的均值，最终获得一列体素，这样的数据在纬度方面和通常处理的图像数据存在相当的差距；
邻近的体素往往电信号幅度相近，fMRI收集的信息中存在一定冗余；
因为人脑的复杂性，每个个体的数据都会存在一定的域偏移。
▲图3 fMRI数据的可视化，一列体素，可视化成了一维折线图
模型结构
论文将提出的模型命名为MinD-Vis (Sparse Masked Brain Modeling with Double-Conditioned Latent Diffusion Model for Human Vision Decoding), 也算是给对处理fMRI数据的提示了——掩码。由于fMRI数据中存在大量的冗余，即使将相当大一部分的数据进行了遮掩，最后也能重建得大差不离（见图3）。因此，计算时直接加上掩码也不会对模型效果产生太大影响。因为fMRI数据的格式和图像一样，论文采用了新出的Masked Image Modeling [2] 来生成embedding vector。
编码-解码部分不是很意外地用了ViT。需要注意的是，中间表达采用的稀疏编码，这是为了保证fMRI表征的细节不被破坏。
以上是Masked Brain Modeling（图4左）部分的工作，然后就是扩散模型部分，如何从经过如此复杂预处理的fMRI数据中，获取文本信息，并基于此生成图像了（图4右）。
为了能从抽象的表征中获得视觉信息，论文将解码任务化归成了conditional synthesis问题，因此可以使用扩散模型解决。扩散模型的网络包括一个预训练过的UNet模型。生成图像时的限定条件信息基于fMRI数据生成，通过cross-attention head加入UNet。
conditional synthesis是指限定某些特征后进行数据生成。例如，生成微笑的不同人脸。
对于一个conditional generative模型而言，生成图像要能在条件限定的特征上尽量稳定，与条件无关的特征上保持多样性。因为人与人的fMRI脑波数据中已经够为多样，在生成图像的时候，需要对UNet进一步约束，强化条件上的限制。
▲图4 MinD-Vis结构
由于模型的结构较为复杂，当前版本的论文中没有进行更为详细的描述，推荐极度好奇的读者直接看开源代码。由于涉及了像Masked Brain Modeling，Diffusion Model这类前沿方法，在没有一定基础的情况下，想彻底吃透方法会需要相当的时间和精力，大家可以量力而行。
效果
在大致了解了模型结构之后，还是来到各位最关心的部分，讲讲模型效果。由于fMRI的数据主要面向神经科学方向的研究，满足论文任务的数据量不大，模型的训练、验证、测试数据总共来自三个不同的数据集，不同集合的数据域都有所偏移。Human Connectome Project [1] 提供136,000个fMRI数据片段，没有图像，只有fMRI，主要是用来预训练模型的解码部分。Generic Object Decoding Dataset (GOD) [3] 是主要面向fMRI-图像任务的，包含1250张来自200个类别的图像，其中50张被用于测试。Brain, Object, Landscape Dataset (BOLD5000) [4] 则选取了113组fMRI-图像数据对，作为测试。
由于BOLD5000是第一次用于论文提出的任务，论文没有在这个数据集上与过往工作进行效果对比。在GOD上基于脑波生成的图像，在效果上相比过往研究显然有了显著进步。
▲图5 GOD数据集上，MinD-vis与过往方法效果比较
论文中还有严谨的消融实验，展示了不同的模型部分对图像生成效果的影响。部分图片较为惊悚，此处不进行展示。感兴趣的读者可以参考图6失败集锦中右下角的图片自行评估承受能力。
▲图6 MinD-vis翻车集锦
尾声
终于又到了白鹡鸰的快乐废话环节。
关于生成图像翻车现象的猜想
这未必完全是模型的锅。根据多个生成模型的对比，可以假设被试者在看到图像时，其实脑内会有一些特定的特征被激活，但是因为被试者对图像的理解方式、关注点有所区别，激活的特征组也存在差异。之所以会有这种想法，是因为论文附件中的效果展示中，一般细节越复杂，角度越怪的图像，越容易生成失败，这很有可能就是因为图像难以用简单的特征组描述导致的。
这篇论文意义重大，影响深远，后续工作可能上Nature
这篇论文展示的图像生成效果非常好，展示了通过fMRI精确还原人们脑内图像信息的可行性。在拥有了更大量的数据之后，人类是如何记忆图像的更多细节的机理，可以通过生成图像与被试者所见图片之间的对比去推测，然后进一步完善、验证。这是神经科学和机器学习成功结合的典范，一个起步的信号。
除此之外，论文本身能快速拥抱前沿技术，对SOTA模型的熟练应用，以及开源代码的底气也令我相当敬佩。对于论文后续的相关工作，我也会持续跟进。
卖萌屋作者：白鹡鸰
白鹡鸰（jí líng）是一种候鸟，浪形的飞翔轨迹使白鹡鸰在卖萌屋中时隐时现。已在上海交大栖息四年，进入了名为博士的换毛期。目前蹲在了驾驶决策的窝里一动不动，争取早日孵出几篇能对领域有贡献的论文～
知乎ID也是白鹡鸰，欢迎造访。
作品推荐：
NLP太卷，我去研究蛋白质了~
谷歌40人发表59页长文：为何真实场景中ML模型表现不好？
学术&工业界大佬联合打造：ML产品落地流程指南
两个月，刷了八千篇Arxiv，我发现……
后台回复关键词【入群】
加入卖萌屋NLP、CV、搜推广与求职讨论群
[1] David C Van Essen, Stephen M Smith, Deanna M Barch, Timothy EJ Behrens, Essa Yacoub, Kamil Ugurbil, Wu-Minn HCP Consortium, et al. The wu-minn human connectome project: an overview. Neuroimage, 80:62–79, 2013.
[2] He, Kaiming, et al. "Masked autoencoders are scalable vision learners." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.
[3] Tomoyasu Horikawa and Yukiyasu Kamitani. Generic decoding of seen and imagined objects using hierarchical visual features. Nature communications, 8(1):1–15, 2017.
[4] Nadine Chang, John A Pyles, Austin Marcus, Abhinav Gupta, Michael J Tarr, and Elissa M Aminoff. Bold5000, a public fmri dataset while viewing 5000 visual images. Scientific data, 6(1):1–18, 2019.
