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。

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。

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。