مرکز تحقیقات علوم اعصاب

وقتی هوش مصنوعی آنچه را می بینیم می خواند بازسازی تصاویر واقعی از فعالیت مغز

یک سیستم جدید هوش مصنوعی می تواند تصاویری را که افراد می بینند بر اساس فعالیت مغزی آن ها بازسازی کند. دانشمندان علوم اعصاب همواره در تلاش هستند تا فرآیند تبدیل آنچه چشم می بیند به تصویری که در ذهن شکل می گیرد را شفاف سازی کنند. هوش مصنوعی در تقلید این شاهکار علمی، عملکردی به مراتب بهتر و دقیق تر داشته است. مطالعات نشان داده اند که هوش مصنوعی قادر است اسکن های مغزی را تفسیر کند و نسخه هایی تا حد زیادی واقع گرایانه از تصاویر دیده شده توسط فرد بازآفرینی نماید. بر اساس نظر محققان این حوزه، توسعه این فناوری می تواند کاربردهای متعددی داشته باشد؛ از بررسی چگونگی درک گونه های مختلف جانوری از محیط پیرامون گرفته تا ثبت رویاهای انسان و حتی کمک به برقراری ارتباط در افراد مبتلا به فلج مغزی. بسیاری از آزمایشگاه ها از هوش مصنوعی برای تحلیل اسکن های مغزی و بازسازی تصاویری مانند چهره انسان یا مناظر طبیعی که سوژه اخیر اً مشاهده کرده است، استفاده کرده اند.

مطالعه جدید نشان می دهد که برای نخستین بار، یک الگوریتم هوش مصنوعی با نام Stable Diffusion- که توسط یک گروه آلمانی توسعه یافته و در سال ۲۰۲۲ به صورت عمومی منتشر شد - برای این منظور به کار گرفته شده است. Stable Diffusion مشابه سایر برنامه های هوش مصنوعی تبدیل متن به تصویر (مانند DALL-E 2 و Midjourney) عمل می کند؛ این سیستم پس از آموزش روی میلیاردها تصویر همراه با توضیحات متنی، قادر به تولید تصاویر جدید بر اساس دستورات متنی است. این فناوری می تواند انقلابی در درک ما از پردازش تصاویر در مغز ایجاد کند و راه را برای کاربردهای بالینی و پژوهشی متعدد هموار سازد. 

برای دسترسی به تصاویر مقاله، بر روی لینک کلیک و یا QR code را اسکن کنید. 

ﻟﯿﻨﮏ ﺗﺼﺎوﯾﺮ ﺗﻄﺎﺑﻖ ﺗﺼﺎوﯾﺮ ﺑﺎزآﻓﺮﯾﻨﯽ ﺷﺪه ﺗﻮﺳﻂ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ اﺳﺎس اﺳﮑﻦ ﻣﻐﺰ )ردﯾﻒ ﭘﺎﯾﯿﻦ( ﺑﺎ ﭼﯿﺪﻣﺎن، ﭼﺸﻢ اﻧﺪاز و ﻣﺤﺘﻮای ﻋﮑﺲ ﻫﺎی واﻗﻌﯽ ﻣﺸﺎﻫﺪه ﺷﺪه ﺗﻮﺳﻂ ﺷﺮﮐﺖ ﮐﻨﻨﺪﮔﺎن در ﻣﻄﺎﻟﻌﻪ )ردﯾﻒ ﺑﺎﻻ(

در ﯾﮏ ﻣﻄﺎﻟﻌﻪ ﺟﺪﯾﺪ، ﮔﺮوﻫﯽ از داﻧﺸﻤﻨﺪان ژاﭘﻨﯽ ﺑﺮای ارزﯾﺎﺑﯽ ﺑﻬﺘﺮ ﻋﻤﻠﮑﺮد Diffusion Stable، آﻣﻮزشﻫﺎی اﺿﺎﻓﯽ و ﺗﻮﺿﯿﺤﺎت ﻣﺘﻨﯽ را ﺑﻪ ﺳﯿﺴﺘﻢ اﺳﺘﺎﻧﺪارد اﺿﺎﻓﻪ ﮐﺮدﻧﺪ. آنﻫﺎ ﺑﺎ ﭘﯿﻮﻧﺪ دادن ﺗﻮﺿﯿﺤﺎت ﻣﺘﻨﯽ ﻫﺰاران ﻋﮑﺲ ﺑﻪ اﻟﮕﻮﻫﺎی ﻣﻐﺰی اﺳﮑﻦﺷﺪه از ﺷﺮﮐﺖﮐﻨﻨﺪﮔﺎن ﻣﻄﺎﻟﻌﻪ، ﻣﻮﻓﻖ ﺑﻪ ﺑﺎزآﻓﺮﯾﻨﯽ ﺗﺼﺎوﯾﺮ دﻗﯿﻖﺗﺮی ﺷﺪﻧﺪ. ﺑﺮﺧﻼف روشﻫﺎی ﻗﺒﻠﯽ ﮐﻪ ﺑﺮای رﻣﺰﮔﺸﺎﯾﯽ اﺳﮑﻦﻫﺎی ﻣﻐﺰی ﺑﻪ ﻣﺠﻤﻮﻋﻪای ﺑﺰرگ از دادهﻫﺎی آﻣﻮزﺷﯽ ﻧﯿﺎز داﺷﺘﻨﺪ، Stable Diffusion ﺑﺎ ادﻏﺎم ﮐﭙﺸﻦﻫﺎی ﺗﺼﺎوﯾﺮ در اﻟﮕﻮرﯾﺘﻢ ﺧﻮد ﺗﻮاﻧﺴﺖ ﺑﺎ آﻣﻮزش ﮐﻤﺘﺮ ﺑﺮای ﻫﺮ ﺷﺮﮐﺖﮐﻨﻨﺪه، ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮی اراﺋﻪ دﻫﺪ. آرﯾﻞ ﮔﻠﺪاﺷﺘﺎﯾﻦ، ﻋﺼﺐﺷﻨﺎس ﺷﻨﺎﺧﺘﯽ در داﻧﺸﮕﺎه ﭘﺮﯾﻨﺴﺘﻮن، اﯾﻦ روش را ﯾﮏ روﯾﮑﺮد ﻧﻮﯾﻦ ﺗﻮﺻﯿﻒ ﮐﺮد ﮐﻪ اﻃﻼﻋﺎت ﻣﺘﻨﯽ و ﺑﺼﺮی را ﺑﺮای رﻣﺰﮔﺸﺎﯾﯽ ﻓﻌﺎﻟﯿﺖ ﻣﻐﺰ ﺗﺮﮐﯿﺐ ﻣﯽﮐﻨﺪ. اﯾﻦ ﭘﯿﺸﺮﻓﺖ ﻣﯽﺗﻮاﻧﺪ ﻣﺴﯿﺮ را ﺑﺮای ﮐﺎرﺑﺮدﻫﺎی ﮔﺴﺘﺮدهﺗﺮ در ﺗﺤﻘﯿﻘﺎت ﻋﻠﻮم اﻋﺼﺎب و ﻓﻨﺎوریﻫﺎی راﺑﻂ ﻣﻐﺰ و راﯾﺎﻧﻪ ﻫﻤﻮار ﺳﺎزد. ﺑﻪ ﮔﻔﺘﻪ ﯾﻮ ﺗﺎﮐﺎﮔﯽ، ﻋﺼﺐﺷﻨﺎس ﺳﯿﺴﺘﻢﻫﺎ در داﻧﺸﮕﺎه اوﺳﺎﮐﺎ، اﻟﮕﻮرﯾﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﯾﻦ ﭘﮋوﻫﺶ از دادهﻫﺎی ﻣﻨﺎﻃﻖ ﻣﺨﺘﻠﻒ ﻣﻐﺰ ﺷﺎﻣﻞ ﻟﻮب ﭘﺲﺳﺮی و ﻟﻮب ﮔﯿﺠﮕﺎﻫﯽ ﮐﻪ در ادراک ﺗﺼﻮﯾﺮی ﻧﻘﺶ دارﻧﺪ اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ. ﺳﯿﺴﺘﻢ ﺑﺎ ﺗﺤﻠﯿﻞ دادهﻫﺎی fMRI ﮐﻪ ﺗﻐﯿﯿﺮات ﺟﺮﯾﺎن ﺧﻮن در ﻣﻨﺎﻃﻖ ﻓﻌﺎل ﻣﻐﺰ را اﻧﺪازهﮔﯿﺮی ﻣﯽﮐﻨﺪ ﻋﻤﻞ ﻣﯽﻧﻤﺎﯾﺪ. ﻫﻨﮕﺎم ﻣﺸﺎﻫﺪه ﺗﺼﺎوﯾﺮ، ﻟﻮب ﮔﯿﺠﮕﺎﻫﯽ ﻣﺤﺘﻮای ﺗﺼﻮﯾﺮ (اﻓﺮاد، اﺷﯿﺎ، ﻣﻨﺎﻇﺮ) و ﻟﻮب ﭘﺲﺳﺮی وﯾﮋﮔﯽﻫﺎی ﺳﺎﺧﺘﺎری ﻣﺎﻧﻨﺪ ﭼﯿﺪﻣﺎن و ﭘﺮﺳﭙﮑﺘﯿﻮ را ﭘﺮدازش ﻣﯽﮐﻨﻨﺪ. دادهﻫﺎی fMRI اﻟﮕﻮﻫﺎی ﻓﻌﺎﻟﯿﺖ ﻋﺼﺒﯽ را ﺑﺎ دﻗﺖ ﺛﺒﺖ ﻣﯽﮐﻨﻨﺪ ﮐﻪ ﺳﭙﺲ ﺗﻮﺳﻂ اﻟﮕﻮرﯾﺘﻢﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺗﺼﺎوﯾﺮ ﺑﺎزﺳﺎﺧﺘﻪ ﺗﺒﺪﯾﻞ ﻣﯽﺷﻮﻧﺪ. اﯾﻦ ﭘﯿﺸﺮﻓﺖ ﭼﺸﻤﮕﯿﺮ، ﺗﺤﻮﻟﯽ در راﺑﻂﻫﺎی ﻣﻐﺰ-راﯾﺎﻧﻪ و درک ﻣﮑﺎﻧﯿﺴﻢﻫﺎی ﭘﺮدازش ﺗﺼﻮﯾﺮ در ﺳﯿﺴﺘﻢ ﻋﺼﺒﯽ اﯾﺠﺎد ﮐﺮده اﺳﺖ و راه را ﺑﺮای ﮐﺎرﺑﺮدﻫﺎی ﮔﺴﺘﺮده در ﻋﻠﻮم اﻋﺼﺎب ﻫﻤﻮار ﻣﯽﺳﺎزد. ﻓﺮآﯾﻨﺪ ﺗﻮﻟﯿﺪ ﺗﺼﻮﯾﺮ در اﯾﻦ ﺳﯿﺴﺘﻢ ﺑﺎ اﻟﮕﻮﯾﯽ ﺷﺒﯿﻪ ﺑﻪ ﻧﻮﯾﺰ ﺗﻠﻮﯾﺰﯾﻮﻧﯽ آﻏﺎز ﻣﯽﺷﻮد. اﻟﮕﻮرﯾﺘﻢ Diffusion Stable ﺑﻪ ﺗﺪرﯾﺞ اﯾﻦ ﻧﻮﯾﺰ اوﻟﯿﻪ را ﺑﺎ وﯾﮋﮔﯽﻫﺎی ﺑﺼﺮی ﻗﺎﺑﻞ ﺗﺸﺨﯿﺺ ﺟﺎﯾﮕﺰﯾﻦ ﻣﯽﮐﻨﺪ، ﺑﻪ اﯾﻦ ﺻﻮرت ﮐﻪ اﻟﮕﻮﻫﺎی ﻓﻌﺎﻟﯿﺖ ﻣﻐﺰی ﺛﺒﺖﺷﺪه را ﺑﺎ دادهﻫﺎی آﻣﻮزﺷﯽ ﺧﻮد ﻣﻘﺎﯾﺴﻪ ﻣﯽﻧﻤﺎﯾﺪ. اﯾﻦ روش ﻗﺎدر اﺳﺖ ﺑﺎ دﻗﺖ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ، ﻫﻢ ﻣﺤﺘﻮای اﺻﻠﯽ ﺗﺼﻮﯾﺮ و ﻫﻢ وﯾﮋﮔﯽﻫﺎی ﺳﺎﺧﺘﺎری ﻣﺎﻧﻨﺪ ﺗﺮﮐﯿﺐﺑﻨﺪی و ﭘﺮﺳﭙﮑﺘﯿﻮ را ﺑﺎزﺳﺎزی ﮐﻨﺪ. ﭘﺮوﻓﺴﻮر ﺗﺎﮐﺎﮔﯽ ﺗﺄﮐﯿﺪ ﻣﯽﮐﻨﺪ ﮐﻪ اﯾﻦ ﺳﯿﺴﺘﻢ ﺟﺪﯾﺪ ﻧﺴﺒﺖ ﺑﻪ روشﻫﺎی ﭘﯿﺸﯿﻦ از ﮐﺎراﯾﯽ ﺑﺎﻻﺗﺮ، ﻧﯿﺎز ﺑﻪ ﺗﻨﻈﯿﻤﺎت ﮐﻤﺘﺮ و ﻗﺎﺑﻠﯿﺖ ﯾﺎدﮔﯿﺮی ﺑﺎ دادهﻫﺎی ﻣﺤﺪودﺗﺮی ﺑﺮﺧﻮردار اﺳﺖ.

ﻣﻄﺎﻟﻌﺎت ﻧﺸﺎن داد ﮐﻪ ﻟﻮب ﭘﺲﺳﺮی ﻣﻐﺰ اﻃﻼﻋﺎت ﮐﻠﯿﺪی درﺑﺎره ﻃﺮح ﮐﻠﯽ و ﭼﺸﻢاﻧﺪاز ﺗﺼﺎوﯾﺮ را در اﺧﺘﯿﺎر ﺳﯿﺴﺘﻢ ﻗﺮار ﻣﯽدﻫﺪ. ﺑﺎ اﯾﻦ وﺟﻮد، ﺳﯿﺴﺘﻢ در ﺑﺎزآﻓﺮﯾﻨﯽ دﻗﯿﻖ اﺷﯿﺎء ﻣﺸﺨﺺ (ﻣﺎﻧﻨﺪ ﺑﺮج ﺳﺎﻋﺖ) ﺑﺎ ﻣﺸﮑﻞ ﻣﻮاﺟﻪ ﺑﻮد و ﺑﻪ ﺗﻮﻟﯿﺪ ﻓﺮمﻫﺎی اﻧﺘﺰاﻋﯽ ﺗﻤﺎﯾﻞ داﺷﺖ. ﻣﺤﻘﻘﺎن ژاﭘﻨﯽ ﺑﺮای ﺣﻞ اﯾﻦ ﭼﺎﻟﺶ، ﺑﻪ ﺟﺎی ﮔﺴﺘﺮش ﺣﺠﻢ دادهﻫﺎی fMRI ﮐﻪ ﻋﻤﻼً ﻣﺤﺪود اﺳﺖ، از راﻫﮑﺎر ﻫﻮﺷﻤﻨﺪاﻧﻪای اﺳﺘﻔﺎده ﮐﺮدﻧﺪ: آنﻫﺎ ﺑﺎ اﺳﺘﺨﺮاج ﮐﻠﻤﺎت ﮐﻠﯿﺪی از ﺗﻮﺻﯿﻔﺎت ﻣﺘﻨﯽ ﻫﻤﺮاه ﺗﺼﺎوﯾﺮ آﻣﻮزﺷﯽ، ﯾﮏ ﭘﻞ ارﺗﺒﺎﻃﯽ ﺑﯿﻦ اﻟﮕﻮﻫﺎی ﻣﻐﺰی و ﻣﺤﺘﻮای ﺗﺼﺎوﯾﺮ اﯾﺠﺎد ﻧﻤﻮدﻧﺪ. در اﯾﻦ روش، ﻫﻨﮕﺎم ﺗﺸﺨﯿﺺ اﻟﮕﻮی ﻣﻐﺰی ﻣﺮﺗﺒﻂ ﺑﺎ ﯾﮏ ﺷﯽء ﺧﺎص (ﻣﺜﻼً ﺑﺮج ﺳﺎﻋﺖ)، ﺳﯿﺴﺘﻢ ﺑﻪ ﻃﻮر ﺧﻮدﮐﺎر ﮐﻠﻤﻪ ﮐﻠﯿﺪی ﻣﺮﺑﻮﻃﻪ را ﺑﻪ ﻣﻮﺗﻮر ﺗﻮﻟﯿﺪ ﺗﺼﻮﯾﺮ ﺗﺰرﯾﻖ ﻣﯽﮐﻨﺪ. اﯾﻦ ﻧﻮآوری ﻣﻨﺠﺮ ﺑﻪ ﺧﻠﻖ ﺗﺼﺎوﯾﺮ ﺑﺎزﺳﺎﺧﺘﻪای ﺷﺪ ﮐﻪ ﻧﻪﺗﻨﻬﺎ از ﻧﻈﺮ ﺗﺮﮐﯿﺐﺑﻨﺪی ﻓﻀﺎﯾﯽ، ﺑﻠﮑﻪ از ﻟﺤﺎظ ﻣﺤﺘﻮای ﺑﺼﺮی ﻧﯿﺰ ﺷﺒﺎﻫﺖ ﭼﺸﻤﮕﯿﺮی ﺑﻪ ﺗﺼﺎوﯾﺮ اﺻﻠﯽ داﺷﺘﻨﺪ.

ﻟﯿﻨﮏ ﺗﺼﺎوﯾﺮ Diffusion Stable ﻣﯽﺗﻮاﻧﺪ ﻋﮑﺲﻫﺎﯾﯽ را ﮐﻪ ﺷﺮﮐﺖﮐﻨﻨﺪﮔﺎن در ﻣﻄﺎﻟﻌﻪ ﻣﺸﺎﻫﺪه ﮐﺮده اﻧﺪ )ﺳﻤﺖ ﭼﭗ( دوﺑﺎره اﯾﺠﺎد ﮐﻨﺪ. ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮﻫﺎی ﻓﻌﺎﻟﯿﺖ ﻣﻐﺰ ﺑﻪ ﺗﻨﻬﺎﯾﯽ، ﭼﯿﺪﻣﺎن و ﭘﺮﺳﭙﮑﺘﯿﻮ را ﺑﻪ درﺳﺘﯽ ﺑﺎزآﻓﺮﯾﻨﯽ ﻣﯽ ﮐﻨﺪ )وﺳﻂ(، اﻣﺎ ﺑﺎ اﻓﺰودن اﻃﻼﻋﺎت ﻣﺘﻨﯽ، ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ درﺳﺘﯽ ﺷﯽ ﻣﻮﺟﻮد در ﻋﮑﺲ )راﺳﺖ( را دوﺑﺎره اﯾﺠﺎد ﮐﻨﺪ.

محدودﯾﺖ ﮐﻠﯿﺪی اﯾﻦ ﺳﯿﺴﺘﻢ در ﻧﺤﻮه اﺳﺘﻨﺘﺎج ﻣﺤﺘﻮای ﺗﺼﺎوﯾﺮ ﻧﻬﻔﺘﻪ اﺳﺖ. اﻟﮕﻮرﯾﺘﻢ Diffusion Stable ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﯿﻢ ﺗﻮﺻﯿﻔﺎت ﻣﺘﻨﯽ درﯾﺎﻓﺖ ﻧﻤﯽﮐﻨﺪ، ﺑﻠﮑﻪ ﺗﻨﻬﺎ زﻣﺎﻧﯽ ﻣﯽﺗﻮاﻧﺪ وﺟﻮد ﯾﮏ ﺷﯽء را ﺗﺸﺨﯿﺺ دﻫﺪ ﮐﻪ اﻟﮕﻮی ﻓﻌﺎﻟﯿﺖ ﻣﻐﺰی ﺑﺎ ﻧﻤﻮﻧﻪﻫﺎی ﻣﻮﺟﻮد در دادهﻫﺎی آﻣﻮزﺷﯽ ﻣﻄﺎﺑﻘﺖ داﺷﺘﻪ ﺑﺎﺷﺪ. اﯾﻦ وﯾﮋﮔﯽ داﻣﻨﻪ اﺷﯿﺎء ﻗﺎﺑﻞ ﺑﺎزﺳﺎزی را ﺑﻪ ﺗﺼﺎوﯾﺮ اﺳﺘﻔﺎده ﺷﺪه در ﻓﺮآﯾﻨﺪ آﻣﻮزش ﻣﺤﺪود ﻣﯽﺳﺎزد. ﻣﺤﻘﻘﺎن ﺳﯿﺴﺘﻢ را ﺑﺎ اﺳﮑﻦﻫﺎی ﻣﻐﺰی ﺟﺪﯾﺪی از ﻫﻤﺎن ﭼﻬﺎر ﺷﺮﮐﺖﮐﻨﻨﺪه اوﻟﯿﻪ ﻫﻨﮕﺎم ﻣﺸﺎﻫﺪه ﺗﺼﺎوﯾﺮ ﻣﺨﺘﻠﻒ (ﻣﺎﻧﻨﺪ ﺧﺮس اﺳﺒﺎبﺑﺎزی، ﻫﻮاﭘﯿﻤﺎ و ﺳﺎﻋﺖ) آزﻣﺎﯾﺶ ﮐﺮدﻧﺪ. ﻧﺘﺎﯾﺞ ﻧﺸﺎن داد ﺳﯿﺴﺘﻢ ﻗﺎدر ﺑﻪ ﺗﻮﻟﯿﺪ ﺑﺎزﻧﻤﺎﯾﯽﻫﺎی ﻣﺘﻘﺎﻋﺪﮐﻨﻨﺪهای از اﯾﻦ ﺗﺼﺎوﯾﺮ ﺟﺪﯾﺪ ﺑﻮد، اﻣﺎ ﺗﻨﻬﺎ در ﺻﻮرﺗﯽ ﮐﻪ اﻟﮕﻮﻫﺎی ﻣﻐﺰی آﻧﻬﺎ ﻣﺸﺎﺑﻪ ﻧﻤﻮﻧﻪﻫﺎی آﻣﻮزﺷﯽ ﻣﯽﺑﻮد.

ﭼﺎﻟﺶ اﺻﻠﯽ در ﮔﺴﺘﺮش اﯾﻦ ﻓﻨﺎوری، ﻧﯿﺎز ﺑﻪ آﻣﻮزش ﻣﺠﺪد ﺳﯿﺴﺘﻢ ﺑﺮای ﻫﺮ ﻓﺮد ﺟﺪﯾﺪ اﺳﺖ. ﮔﺮوﺋﻦ، ﯾﮑﯽ از ﻣﺤﻘﻘﺎن اﯾﻦ ﭘﺮوژه، ﺑﺎ اﺷﺎره ﺑﻪ ﻗﺎﺑﻠﯿﺖﻫﺎی ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد ﻣﺪلﻫﺎی Diffusion در ﺗﻮﻟﯿﺪ ﺗﺼﺎوﯾﺮ واﻗﻊﮔﺮا، ﺑﺮ ﭘﺘﺎﻧﺴﯿﻞ ﺑﺎﻻی اﯾﻦ ﻓﻨﺎوری ﺑﺮای ﺗﺤﻮل در ﺗﺤﻘﯿﻘﺎت ﻋﻠﻮم اﻋﺼﺎب ﺗﺄﮐﯿﺪ ﻣﯽﮐﻨﺪ. ﻧﯿﺸﯿﻤﻮﺗﻮ،  دﯾﮕﺮ ﻋﻀﻮ ﺗﯿﻢ ﺗﺤﻘﯿﻘﺎﺗﯽ، ﭼﺸﻢاﻧﺪازﻫﺎی ﺟﺬاﺑﯽ را ﺑﺮای آﯾﻨﺪه اﯾﻦ ﻓﻨﺎوری ﺗﺮﺳﯿﻢ ﻣﯽﮐﻨﺪ: از رﻫﮕﯿﺮی اﻓﮑﺎر و روﯾﺎﻫﺎی اﻧﺴﺎن ﮔﺮﻓﺘﻪ ﺗﺎ درک ادراک ﺑﺼﺮی در ﺳﺎﯾﺮ ﮔﻮﻧﻪﻫﺎی ﺟﺎﻧﻮری. ﺑﺎ اﯾﻦ ﺣﺎل، دﺳﺘﯿﺎﺑﯽ ﺑﻪ اﯾﻦ اﻫﺪاف ﺑﻠﻨﺪﭘﺮوازاﻧﻪ ﻣﺴﺘﻠﺰم ﺗﻮﺳﻌﻪ ﺑﯿﺸﺘﺮ اﯾﻦ ﻓﻨﺎوری و ﻏﻠﺒﻪ ﺑﺮ ﻣﺤﺪودﯾﺖﻫﺎی ﻓﻌﻠﯽ آن اﺳﺖ.

ﻣﻨﺒﻊ

Takagi Y, Nishimoto Sh, High-resolution image reconstruction with latent diffusion models from human brain activity, 14453-14463, 2023.

ﮔﺮدآوری و ﺑﺎزﻧﻮﯾﺴﯽ: ﻣﺼﻄﻔﯽ ﻗﻨﺒﺮآﺑﺎدی

داﻧﺸﺠﻮی دﮐﺘﺮی ﻋﻠﻮم اﻋﺼﺎب داﻧﺸﮕﺎه ﻋﻠﻮم ﭘﺰﺷﮑﯽ ﺷﻬﯿﺪ ﺑﻬﺸﺘﯽ