Eine tiefenbasierte Lernmethode zur Super-Auflösung von Funktions-MRT-Daten kann die räumliche Auflösung deutlich verbessern, ohne die Aufnahmezeit übermäßig zu verlängern. Dies ermöglicht eine genauere Visualisierung der neuronalen Aktivität, selbst bei Verwendung von Trainingsdaten aus unterschiedlichen Studien und Aufgaben.
Eine flexible paarweise funktionale Ausrichtungsmethode, die auf der Optimierung des Verlusts visueller Inhalte basiert, kann Gehirnaktivitätsmuster über Individuen hinweg konvertieren und feinkörnige visuelle Merkmale für die Bildrekonstruktion erfassen, ohne dass gemeinsame Stimuli erforderlich sind.