概览 BrainWorld 在解剖结构与功能背景的条件下生成全脑四维 fMRI。论文在 22 个数据集上的评估报告了最长 400 帧的稳定轨迹、生成样本用于下游训练的收益，以及生成骨干特征的迁移能力。
建模一个不断变化的大脑，意味着什么？
表征学习关注如何概括一次扫描以完成预测；BrainWorld 则关注如何在给定条件下生成全脑活动序列。这要求建模随时间发生的变化，而不只是得到被试级特征向量。
研究将结构 MRI 作为个体的解剖背景。结构信息直接引导生成脑功能活动的去噪过程，而不仅仅是分类器中的一个独立输入分支。
在压缩后的四维空间中生成动态
全脑 fMRI 记录包含三个空间维度和一个时间维度。直接逐帧生成每个体素的成本很高。BrainWorld 将问题分成两部分：用压缩器表示记录，再用扩散模型学习其条件动态。
动图来自作者 GitHub ↗ · BOLD 活动为示意。
方法概览。 VAE 将 fMRI 压缩为潜变量，条件扩散建模其演化，解码器再还原体素级序列。条件路径提供解剖结构、历史功能连接和可选的感官背景。 原论文 ↗
压缩四维信号
预训练的四维 VAE 将标准化的全脑 fMRI 映射到潜在表征，后续生成过程在这一压缩空间中完成。
用背景条件引导动态
条件 Diffusion Transformer 结合解剖背景、历史功能连接及可选的视觉或音频信息，建模后续脑活动。结构先验进入去噪过程。
解码序列，或复用表征
VAE 解码器将生成的潜变量还原为体素级 fMRI 序列。DiT 的中间特征也可用于下游任务，把生成与表征学习连接起来。
先评估序列，再检验它能用来做什么
实验从三个角度考察同一模型：长程生成、训练数据增强和下游特征迁移。
最长 400 帧
在覆盖 22 个数据集的评估中，论文报告生成的四维轨迹可稳定延伸至 400 帧。
生成样本有助于预测
研究报告，将生成样本加入训练数据可以提升下游表现。这从后续预测的实用性检验了生成结果。
可迁移的特征
在论文报告的迁移实验中，学到的多模态表征优于对比基线，使生成模型除了输出序列之外，也能用于特征提取。
从生成序列到可复用表征
这项研究用一个条件模型连接生成与预测。解剖背景引导动态，学到的特征则服务于下游分析。400 帧稳定性与数据增强收益分别检验不同方面的实用价值，并不等同于准确复现某个人真实的未来脑活动。
探索项目
可从代码中的预处理、潜空间生成和特征提取流程开始。目前目录中没有可用的公开权重链接，安排推理实验前请查看仓库的发布说明。
A Structural-Prior-Conditioned Generative Model for Whole-Brain 4D fMRI Dynamics
本文由 fMRI Atlas 根据上述原始研究整理。
阅读原文摘要（英文）
Whole-brain 4D fMRI generation is valuable for modeling functional brain dynamics, yet existing fMRI foundation models mainly target representation learning and downstream prediction rather than conditional predictive generation. We introduce BrainWorld, a structural-prior-conditioned generative model for whole-brain 4D fMRI dynamics. BrainWorld uses sMRI as subject-level anatomical context to guide future fMRI generation, integrating structural information into the denoising process rather than treating it as a parallel modality. Evaluated on 22 datasets spanning diverse cohorts and brain states, BrainWorld generates stable 4D fMRI trajectories up to 400 frames, improves downstream performance through generated-example augmentation, and learns transferable multimodal representations that outperform baselines. Together, these results establish BrainWorld as a condition-aware generative framework for long-horizon brain dynamics modeling and multimodal representation learning. Code is available at the code repository.
BibTeX
@misc{brainworld2026,
title={BrainWorld: A Structural-Prior-Conditioned Generative Model for Whole-Brain 4D fMRI Dynamics},
author={Xia, Junfeng and Ye, Wenhao and Zhang, Junxiang and Pan, Xuanye and Wang, Mo and Liu, Quanying},
year={2026},
eprint={2606.17742},
archivePrefix={arXiv},
url={https://arxiv.org/abs/2606.17742}
}