在这篇论文中，我们提出了一种自动编码器架构（WLSC），其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类，生成了一组多样的人工感受野，与 V1 的灵长类动物数据具有相近的一致性，而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化，即我们为之后的皮质阶段引入了弱的聚类偏差，这是已知的功能性和空间分离（即拓扑）发生的地方。这些结果表明，在对 V1 及其之后的特征分离进行描述时，对感受野和放电率进行空间正则化至关重要。

Nov, 2023

训练在自然图像上的稀疏编码算法能够准确预测视觉皮层神经元所激发的特征，但不确定是否可以使用生物学真实的可塑性规则来学习这些代码。我们开发了一种生物物理模型的尖峰网络，仅依靠突触局部信息就能预测自然图像上 V1 简单细胞感受野的全部多样性形状，这是首次证明，稀疏编码原则在皮层结构限制下操作时可以成功地再现这些感受野。我们进一步证明，稀疏性和去相关是允许突触局部可塑性规则优化神经表达形成的合作线性生成图像模型的关键因素。最后，我们讨论了我们的网络的几个有趣的新兴属性，以期弥合视觉皮层的理论和实验研究之间的差距。

Sep, 2011

该论文使用深度卷积神经网络预测 V1 神经元对自然图像的响应，发现有 15% 的神经元可以准确预测，并使用逆神经网络确定激发 V1 神经元的图像特征（接受野），其中包括预测高级纹理图像特征的神经元。

Jun, 2017

本文介绍一种基于深度学习的神经网络结构，通过脑电波等脑活动信号重构视觉图像，将感受野特性结合到损失函数中，有效地提高了视觉重构的精度和效果

Jul, 2022

通过训练循环神经网络在 2D 区域中进行导航任务的方式，我们发现神经网络中出现了类似于网格细胞、边界细胞和其他空间相关细胞的响应模式，这些表现形式与实验观察到的现象相吻合，表明在神经回路中，类似于网格细胞和边界细胞等细胞对于有效表示空间是自然的解决方案。

Mar, 2018

通过结合编码理论、动力系统、函数优化和监督深度学习等多个方法，我们提出了一个自监督学习框架，通过数据、数据增强、损失函数和网络架构等方面的优化，能够在没有监督位置信息的情况下训练出多个栅格细胞模块，且这些网络和形成的表示在训练分布之外也能很好地泛化。该研究对于对栅格细胞起源感兴趣的神经科学家以及对于新颖自监督学习框架感兴趣的机器学习研究人员具有重要洞见。

Nov, 2023

提出了一种卷积神经网络 (CNN) sparse 的架构，可扩展到数千个神经元和短期记录，可以端到端地训练，从而克服了 CNN 拟合神经数据中感受野位置估计的主要瓶颈，该模型的表现优于现有的小鼠初级视皮层系统识别模型。

Nov, 2017

本文介绍了一种新颖的分层时空方向表示，用于时空图像分析，并将多层 ConvNets 的优点与更可控的时空分析方法相结合。它的一些关键方面是无需学习，采用理论推导进行设计，并具有循环性质、交叉通道特征汇集和层级结构。它在动态纹理识别方面性能表现优异。

Aug, 2017

该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法，并通过多层感知机逐层累积高频部分，以形成最终输出的有效高精度重建方法，试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法，且模型更加紧凑高效。

Dec, 2022

本文研究了鼠视觉皮层神经元的处理方式，通过使用旋转等价卷积神经网络提取共性特征并与传统模型进行比较，发现传统线性 - 非线性模型存在不足，但卷积神经网络能够更加准确地预测自然刺激下神经元的反应，且 V1 神经元存在一些与传统 Gabor 过滤器不同的共性特征，这对研究 V1 中的非线性计算具有重要意义。

Sep, 2018