本文探讨深度视觉表示能力在不同类型图像畸变中的表现，通过分析不同深度神经网络层所提取的特征，证明不同网络层具备分离不同畸变类型的能力，并评估特征在图像质量评估和畸变特征和严重性级别刻画上的应用，结果表明深度视觉表示具有有效地表征各种图像畸变的能力。

Feb, 2020

通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

Aug, 2018

本文介绍了一种将传统的基于低级局部描述符的图像表示法和卷积神经网络的深度神经激活相结合的框架，提出了一种从预训练的 CNN 中提取公平数量的多尺度密集局部激活的有效方法，并通过改进的 Fisher kernel 框架聚合这些激活。实验证明，该方法可用作更好地执行视觉识别任务的一种主要图像表示。

Dec, 2014

研究神经网络在图像分类中受质量失真的影响，提出了一种基于混合专家模型的解决方案，通过权重共享方式减少网络参数数量并提高性能。

Mar, 2017

DNNs guided by neural representations from the human ventral visual stream display increasing robustness to adversarial attacks, develop more human-like decision-making patterns, and suggest new robustness solutions by emulating the human brain.

May, 2024

在图像质量失真的影响下，深度神经网络的表现远不及人类，但两者的错误率存在着较少的相关性，表明图像的内部表现在网络和人类眼中存在差异。这些与人类视觉表现的比较有助于指导未来更具鲁棒性的深度神经网络的发展。

May, 2017

本文提出了一种训练且具有鲁棒性的卷积神经网络的方法，通过惩罚较早层所学习的局部表示的预测能力，迫使网络丢弃色彩和纹理等可从局部感受野中获取的预测信号，并依靠图像的全局结构。在一系列综合性和基准领域适应任务中，我们的方法使泛化能力得到了改善。我们还引入了一个新的数据集 ImageNet-Sketch，以评估跨域传输。

May, 2019

本研究提出了贝叶斯实验设计方法，用于综合刺激集，以高效地区分候选神经网络模型，并为模型比较而设计实验的表示相似性分析。我们的结果表明，与识别、分类或自编码相同架构的神经网络训练在反演 3D 脸部模型渲染器方面更符合人类表现。

Nov, 2022

研究发现，在保留本地结构的情况下对神经网络表示进行全局结构对齐可在各种少样本学习和异常检测任务中显著提高准确性。

Jun, 2023

本研究旨在探讨如何反推一张图像的视觉信息，发现在 CNNs 的不同层中，层与层之间保留有关图像几何与光度不变性的信息。

Nov, 2014