共享的类纹理表征而非全局形状，是深度神经网络与人类视觉加工对齐的基础

基于摘要分析。本研究考察深度神经网络（DNN）与人类视觉 EEG 响应的对齐主要由哪些图像属性驱动，并通过保留局部图像统计、破坏全局形状的刺激操纵，区分类纹理表征与物体形状、类别信息的贡献。作者报告，较高的 DNN–EEG 对齐不必依赖完整的全局形状，也不等同于更丰富的可解码物体类别信息。 研究记录了 57 名参与者观看三类图像时的 EEG：自然场景、保留局部统计的全局汇总但破坏全局形状的 texture-synthesized 图像，以及无背景的孤立物体图像。这里的“类纹理表征”被操作性定义为局部图像统计的全局汇总，而非泛指所有纹理或低层视觉特征。 作者采用表征相似性分析比较 DNN 与 EEG 的表征关系，并使用跨条件预测，检验一种图像条件下的 DNN 特征能否预测另一条件下的 EEG。作者报告，在所比较的图像条件中，当 DNN 与人类均处理 texture-synthesized 图像时，对齐最强；由该类图像提取的特征也能泛化至自然场景 EEG 的预测。作者还报告，texture-synthesized 条件下对齐增强与可解码物体类别信息减少同时出现，提示模型—脑信号对齐与类别信息可解码性可以分离。 这些结果支持局部图像统计是本研究中 DNN 与人类视觉加工共享的重要表征基础，但不能据此认定人类视觉不利用全局形状，也不能直接外推为 BCI 解码性能改善。具体 DNN、EEG 预处理与时间窗、特征提取及预测实现、数据划分、效应量、消融及统计信息尚未验证；复现时需核对刺激统计控制、跨条件预测的训练与测试协议，以及对齐指标和类别解码指标各自的定义。