利用深度学习生成图像探究大脑在场景识别中处理先验信息与感官不确定性的神经机制

本研究旨在解决人类在场景识别中如何整合感官信息（likelihood）与先验知识（prior）的问题。京都大学等机构的研究人员通过深度学习生成具有不同自然度的图像，并设计实验任务操纵先验信息的不确定性。fMRI实验结果表明，高视觉区域在低不确定性时更活跃，而默认模式网络（DMN）在先验信息丰富时更活跃。该研究揭示了大脑处理感官与先验信息的神经机制，对理解视觉感知具有重要意义。

　　

在日常生活中，我们常常需要在不确定的环境中进行场景识别。例如，在面对一张部分模糊或不熟悉的照片时，我们如何判断它所展示的场景？这种识别过程不仅依赖于当前的感官信息，还受到我们对场景的先验知识的影响。然而，大脑如何整合这些信息并在不同不确定性条件下进行场景识别，仍然是一个未解之谜。为了解决这一问题，京都大学和牛津大学等机构的研究人员开展了一项研究，利用深度学习技术生成具有不同自然度的图像，并通过功能性磁共振成像（fMRI）技术探究大脑在场景识别中的神经机制。

研究人员设计了一个实验任务，系统地操纵先验信息和感官信息的不确定性。他们发现，当图像的自然度较高时，高视觉区域（HVC）的激活程度较高；而在先验信息丰富的情况下，默认模式网络（DMN）的活动增强。通过贝叶斯模型分析，研究揭示了大脑在处理感官不确定性和先验信息时的不同反应机制。这些发现不仅加深了我们对视觉感知的理解，还为广告设计和人机交互等领域提供了新的思路。该研究发表在《iScience》上，为神经科学领域带来了重要的理论进展。

在本研究中，研究人员采用了几个关键技术方法。首先，他们利用深度学习技术生成具有不同自然度的图像，确保图像的自然度可以精确控制。其次，他们设计了一个实验任务，通过改变图像的自然度顺序来操纵先验信息的不确定性。最后，他们使用fMRI技术记录参与者在观看图像时的大脑活动，并通过贝叶斯模型分析数据，揭示了大脑在不同条件下的反应机制。

研究结果表明，当图像的自然度较高时，高视觉区域（HVC）的激活程度较高，这表明这些区域在处理感官信息时起重要作用。相反，当先验信息丰富时，默认模式网络（DMN）的活动增强，这表明该网络在整合先验知识方面具有重要作用。此外，前额叶皮层（mPFC）、顶下小叶（IPL）和中颞回（MTG）的活动与先验信息的确定性密切相关，而前运动皮层（MFG）的活动则与贝叶斯惊喜相关。

综上所述，这项研究揭示了大脑在场景识别中处理感官信息与先验信息的神经机制。通过精确控制图像的自然度和先验信息的不确定性，研究人员成功地模拟了人类在场景识别中的行为，并通过fMRI技术验证了贝叶斯模型的预测。这些发现不仅加深了我们对视觉感知的理解，还为未来的研究提供了重要的理论基础。研究结果还表明，大脑在处理不同类型的不确定性时，采用了不同的神经机制，这对于理解人类认知过程具有重要意义。此外，该研究还为广告设计和人机交互等领域提供了新的思路，有助于开发更具吸引力的视觉内容和更高效的交互方式。