本文比较了人类视觉系统和深度神经网络（DNN）在图像退化方面的泛化能力，发现人类视觉系统更加耐受于图像处理，而当信号变弱时，人类和 DNN 的分类误差模式逐渐分离，这表明在视觉识别方面，人类和 DNN 之间仍存在显著差异。

Jun, 2017

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

通过比较 146 个孩子和成年人以及深度神经网络的核心目标识别表现，发现了出人意料的鲁棒性，并且提出了与站在人类视角不同的、更需要数据的策略。

May, 2022

该论文探讨了神经网络架构在解决视觉任务时存在的局限性，与人类学习抽象概念的策略不同。研究利用一组新的图像转换方法，对人类和网络在对象识别任务上进行了评估，发现常见网络的性能迅速下降，而人类能够以高精度识别对象。

May, 2022

本文研究两种生物学机制在对抗性鲁棒性方面的角色，并且通过消融实验证明了非均匀采样和多重感受野存在能够提高神经网络对小的对抗性扰动的鲁棒性。

Jun, 2020

研究发现，尽管深度神经网络（DNNs）的成功主要是由于计算规模，而不是基于生物智能的洞见，但是随着精度的提高，DNNs 与人类视觉策略的一致性逐渐降低，但是神经谐振器的出现可以使 DNNs 与人类的视觉策略相一致并提高分类精度。

Nov, 2022

利用深度卷积神经网络，研究人员成功地探测到哺乳动物腹侧视觉途径中逐渐增加的特定特征梯度，并将不断增加的特征复杂度映射到人类大脑，从而提供了研究大脑表示如何映射的自动化方法。最终，研究表明，在先前无法实现的精度下，深度卷积神经网络可以对人脑表示进行解码，为我们提供了更敏感的窗口观察人脑。

Nov, 2014

本文研究计算机视觉、深度神经网络（DNN）、人类视觉感知和无体系结构视觉学习之间的联系，并发现 DNN 计算可用于估计感知损失，并与有趣的理论观点一致，即人类感知的特性是视觉学习无体系结构的结果。

Jan, 2017

在具有卷积神经网络的目标识别方面取得了巨大成功的同时，它们难以辨识出带有不同类型常见噪音模式的图像中的对象。最近的一项研究表明，在模拟 CNN 前端的早期视觉区域中的计算将提高对图像破坏的鲁棒性，本文进一步探讨了这一结果，并显示精确匹配灵长类 V1 区中发现的 RF 特性分布所产生的神经元表示对于这种鲁棒性改进至关重要。我们构建了两种变体的模型，其中前端模型模拟了灵长类的视觉皮层（V1）：一种是均匀采样 RF 特性，另一种是采样自生物实验分布。具有生物采样的模型对图像破坏具有较高的鲁棒性（相对差异为 8.72%）。虽然两个变体之间的类似神经元亚种群具有相似的响应特性，并学习相似的下游权重，但对下游处理的影响却截然不同。这个结果揭示了一些仿生模型鲁棒性改进的原因，指向了精确模仿在灵长类大脑中发现的神经元表示的必要性。

Oct, 2023

本文发现，尽管深度学习神经网络在图像识别任务上比人类表现更好，但它们不能很好地预测自然图像在颞下皮层 (IT cortex) 的神经响应，我们提出了神经协调器，通过该工具可以纠正这个问题。

Jun, 2023