一项发表于《自然·神经科学》的研究使用生成模型（深度网络从学习的潜在空间合成新图像）让V1、V4和后下颞叶皮层（PIT）的神经元通过闭环优化引导图像合成。通过比较强调纹理与强调物体结构的模型，研究发现，尽管V1和V4与基于纹理的空间对齐更强，但许多PIT神经元对两种优化图像的反应同样好，揭示其关注共享的局部模式而非整体物体模板，且这种与物体的对齐在其反应后期才出现。这些发现揭示了腹侧通路中的编码原则，并阐明了当前视觉模型的局限性。

研究背景与意义

视觉神经元对从纹理到物体的广泛图像范围作出反应，但连接这些反应的规则仍不清楚。尽管初级视觉皮层（V1）中对简单特征的调谐已得到充分证实，但该框架在高级区域失效，那里的神经元编码多样且不可预测的特征。本研究旨在探究神经元优先考虑哪些特征，以及这些特征如何随视觉层级变化。

主要发现与层级差异

研究通过使用两种具有不同先验的生成模型（纹理优先的DeePSim和物体优先的BigGAN）进行闭环优化，发现V1和V4神经元与纹理空间的对齐更强；而PIT神经元则能同样好地适应两种空间，表明它们编码的是跨物体和纹理共享的局部特征（如边缘、颜色斑块），而非完整的物体模板。时间动态分析显示，PIT神经元对物体图像的反应在后期（>100 ms）更强，而纹理反应则较早出现。此外，在物体空间中成功优化的PIT神经元，其局部调谐曲线呈钟形（高斯型），暗示已接近其偏好的最优特征。

核心学术观点：该研究首次在单神经元水平上揭示了视觉皮层从纹理到物体的动态编码转换，表明PIT神经元并非简单的物体检测器，而是通过整合局部特征实现灵活表征。

参考文献

(2026). Neuronal tuning aligns dynamically with object and texture manifolds across the visual hierarchy. Nature Neuroscience, 29, 864–875. DOI: 10.1038/s41593-026-02207-1

该研究通过在猕猴V1、V4和PIT皮层进行闭环实验，利用两种生成模型（纹理生成器DeePSim和物体生成器BigGAN）分别优化刺激图像，比较了不同视觉区域神经元对纹理和物体先验的敏感性。研究发现，V1和V4神经元在纹理空间中的优化更成功、更快、峰值激活更高，而PIT神经元在两种空间中表现相当，但其对物体空间的对齐主要发生在反应后期。研究团队来自华盛顿大学等机构。