本文研究了 DNN 模型在场景感知和对象识别中是否存在类似人类感知的 Gestalt 现象，并发现不同类型的 DNN 模型在处理不同的刺激时，只在最后一个处理层表现出一定的 Gestalt 效应，但这种效应与人类感知的 Gestalt 效应不同，从而表明 DNN 学习到的感知属性与人类有根本的差异。

Mar, 2022

使用基于分段的图像表示模型，本研究旨在解释和预测复杂性，并发现可以通过简单的线性模型，利用图像中的分段数量和类别数量，对多样的自然场景和艺术图像集进行解释。

Mar, 2024

通过对两个合成的视觉任务系统评估神经网络架构的组合，我们发现底层、水平和顶层连接的计算角色有所不同，且这些交互都可以更灵活地学习形成感知群体。

Jun, 2019

出现是各个领域中的一个重要属性，可以突如其来地出现，初看并不能预测其出现。因此被认为是相对于观察者的主观属性。一些具有简单和确定性规则的数学系统却展现出突出的行为。研究这些系统为对主观和客观不需要观察者的理解提供了新思路，使得描述计算不可简化成为理解出现现象的关键。

Aug, 2023

我们通过计算方法研究了视觉注意力的生物学基础，分析了小鼠的视网膜和皮层电生理数据，结果显示在 V1 中约 10% 的神经元对显著和非显著的视觉区域有不同的响应，视觉注意力信息在视网膜反应中并未被追踪到，似乎视网膜对视觉注意力仍然是个陌生的概念，而皮层反应会被调节以解释视觉注意力信息；我们的研究为改进视觉假体系统的设计（这类系统通过植入于视网膜或皮层的电子植入物为视力受损者创造人工视觉感知）做出了贡献。

Aug, 2023

在本文中，我们提出了一个新的视觉挑战 - 感知问答（PQA），并介绍了为不同整体原则而设计的感知问题 - 答案数据集，以及一种基于自我关注的方法，该方法使用提议的网格到网格映射网络直接从头生成答案模式。实验表明，我们的代理超越了一些基线，并成功导入了两个关键位置的机器学习方法，即使用人工制造的数据代替复杂真实图像，并要求机器合成新的感知有效的模式。

Apr, 2021

本文介绍了一种名为 NeuroImagen 的综合流程，用于从动态的脑电信号（EEG 信号）中重构高分辨率的视觉刺激图像，并通过多层次的感知信息解码提取实用信息，实验结果表明该方法在图像重构方面具有显著的效果和卓越的定量性能。

Jul, 2023

通过使用深度卷积神经网络模型，本文发现视觉系统中的不同神经约束可以导致视觉处理的不同阶段产生不同的表征模式，并预测小型脊椎动物的视网膜应执行非线性的特征检测计算，而大型动物的视网膜应当基本以线性方式编码视觉场景以响应广泛的刺激。

Jan, 2019

研究表明，人类感知的量子结构的根源是对自下而上刺激与自上而下认知期望模式的调和，导致了感知的类别化扭曲现象并形成 “quanta”，可用量子原型理论进行建模，而这些 “quanta” 之间存在离散化的距离，导致它们的组合呈现出干涉图案。

Aug, 2022

本研究考虑了 Havrylov 和 Titov 的信令游戏设置，并研究了特征提取器的权重和解决的任务对模型所学习或捕捉的视觉语义的影响。通过对输入图像的各种增强和游戏中的附加任务的引入，实现了在完全自监督的情况下学习捕捉图像概念属性的视觉表征的通信系统。

Nov, 2019