场景结构预测自然情境检测任务中的知觉决策

人类视觉系统能够在复杂的自然场景中识别物体，然而，在如此多变条件下支持稳健知觉的机制仍未被完全理解。在这里，我们研究自然场景的统计结构如何塑造知觉证据的形成，并决定接近阈限的刺激是被正确感知还是错误感知。我们结合受控心理物理学、户外增强现实（AR）、深度神经网络（DNN）、图像特征分析和脑电图（EEG），考察背景语境如何调制知觉决策。在多种检测任务中，人类表现系统性地受到不含探测刺激的背景结构的影响。仅基于背景图像进行训练的DNN能够预测行为结果中的正确与错误，在后线索条件下这种效应更强，这表明当空间不确定性更高时，全局场景语境会对局部知觉决策作出贡献。AR实验进一步表明，这些由语境驱动的效应在自然主义观看环境中依然存在。为识别这些效应所依赖的视觉信息，我们分析了低层次图像统计特征。纹理熵和边缘密度表现为具有信息量的特征，而基于这些测度训练的传统机器学习模型能够实现有意义的正确/错误分类。最后，EEG分析揭示了图像驱动的知觉变异性的神经特征：在不含探测刺激的预图像时间窗内的神经活动能够区分后续正确试次与错误试次，而将EEG与图像衍生特征相结合则提高了解码性能。总之，这些发现表明，自然场景中的知觉并非仅由目标决定，而是受到周围语境统计结构的塑造。通过连接心理物理学、AR、DNN建模、图像统计和EEG，本研究为理解环境结构与神经动力学如何共同支持知觉决策提供了一个统一框架。

人类视觉系统能够在复杂的自然场景中识别物体，然而，在如此多变的条件下支持稳健知觉的机制仍未得到充分理解。在此，我们研究自然场景的统计结构如何塑造知觉证据的形成，并决定接近阈值的刺激会被正确还是错误地知觉。我们结合受控心理物理学、户外增强现实（AR）、深度神经网络（DNN）、图像特征分析和脑电图（EEG），考察背景语境如何调节知觉决策。

在多种检测任务中，人类表现系统性地受到不含探测刺激的背景结构的影响。仅基于背景图像训练的DNN能够预测行为结果中的正确与错误，在后线索条件下这种效应更强，这表明当空间不确定性较高时，全局场景语境会促进局部知觉决策。AR实验进一步表明，这种由语境驱动的效应在自然主义观看环境中依然存在。

为识别这些效应所依赖的视觉信息，我们分析了低层次图像统计特征。纹理熵和边缘密度是具有信息量的特征，而基于这些测度训练的传统机器学习模型能够有意义地区分正确与错误。最后，EEG分析揭示了由图像驱动的知觉变异性的神经表征：在不含探测刺激的预图像时间窗内的神经活动能够区分后续的正确试次与错误试次，并且将EEG与图像衍生特征相结合能够提升解码性能。

综上，这些发现表明，自然场景中的知觉并非仅由目标本身决定，而是受到周围语境统计结构的塑造。通过整合心理物理学、AR、DNN建模、图像统计和EEG，本研究为理解环境结构与神经动力学如何共同支持知觉决策提供了一个统一框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.03.729800v1?rss=1

🏷️ 知觉决策 自然场景 场景语境 心理物理学 脑电图 深度神经网络