让AI“看形状”准确率提升3倍!新训练策略大幅提升自动驾驶视觉可靠性

当前最先进的AI视觉系统（如ResNet、ViT、CLIP）与人类视觉存在根本性“错位”。人类看物体主要依赖轮廓形状，而AI却严重依赖局部纹理。这导致AI在面对模糊、噪声、遮挡或抽象线条画时，识别率会断崖式下跌，且极易被对抗性攻击欺骗。此前的研究试图通过数据增强或特定训练来提升“形状偏置”（Shape Bias），但效果有限且难以逼近人类水平。德国研究团队独辟蹊径，不再纠结于“喂什么数据”，而是转向“如何喂数据”——他们从人类婴儿到成人的视觉发育过程中汲取灵感，为AI设计了一套“发育视觉食谱”。

德国奥斯纳布吕克大学Zejin Lu 与Tim C. Kietzmann  教授研究团队基于人类视觉发育心理学数据，构建了一套发育视觉食谱（DVD，Developmental Visual Diet）预处理流程。该流程模拟了人类从出生到25岁视觉成熟过程中，视觉 acuity（锐度）、对比度敏感度和色彩感知的渐进发展轨迹。在训练初期，AI看到的图像是模糊、低对比度、低饱和度的（模拟婴儿视觉），随着训练进行，图像质量逐渐提升至高清。实验表明，经过DVD训练的模型（如ResNet-50）在形状偏置上实现了质的飞跃（从基线~0.3提升至~0.9，接近人类水平），并且在抽象形状识别、图像失真鲁棒性及对抗攻击防御方面均达到新的SOTA水平，且无需增加模型参数或数据量。该研究以题为“Adopting a human developmental visual diet yields robust and shape-based AI vision”发表于国际著名期刊《Nature Machine Intelligence》。

• 范式创新：首次将人类视觉发育的连续轨迹（而非离散阶段）量化为AI训练的数据预处理流程，提出“训练轨迹对齐”的新范式。

• 性能突破：在标准架构（ResNet-50）上实现接近人类的形状偏置（>0.9），大幅超越现有SOTA模型（包括CLIP、ViT等）。

• 机制揭示：通过消融实验证明，对比度敏感度的发展是驱动模型形成形状偏置的关键因素，而非此前公认的单纯模糊（Blur）。

• 系统验证：在多个维度（形状偏置、抽象形状、失真鲁棒性、对抗攻击）上系统验证DVD的有效性，证明其普适性。

图1：人类视觉发育食谱（DVD）的构建蓝图

核心看点：DVD的核心在于“先模糊后清晰”的训练轨迹，这迫使神经网络像人类婴儿一样，先学会看“轮廓”，再学会看“细节”，从而在底层表征中植入形状优先的偏好。

图1构建了从生物学到算法的映射桥梁。人类婴儿并非一出生就拥有高清视觉，其视觉系统在出生后的数年中，会经历视觉 acuity（看清细节的能力）、对比度敏感度（分辨明暗差异的能力）和色彩感知的渐进式成熟。研究团队系统梳理了从新生儿到25岁成人的心理物理学数据，将这些发育轨迹转化为可计算的图像预处理参数。例如，视觉 acuity 的发育被映射为高斯模糊核大小的动态衰减，对比度敏感度被映射为频域滤波的强度变化。DVD流程在训练开始时对输入图像施加强烈的模糊、低对比和去色处理，模拟“婴儿视觉”；随着训练 epoch 的增加，这些退化效应逐渐减弱，最终在训练末期呈现高清图像。这种设计强制模型在早期学习阶段关注全局、低空间频率的形状信息，而非局部的纹理细节。

图2：DVD训练诱导出接近人类的形状偏置

核心看点：DVD证明无需改变模型架构或增加数据量，仅通过改变数据呈现的时序，就能让AI的“思维方式”从“看纹理”转变为“看形状”，这是对齐人类视觉的关键一步。

图2通过经典的“形状-纹理冲突”实验（将大象的纹理贴在汽车的形状上），量化了DVD模型的决策偏好。在标准训练（Baseline）下，ResNet-50模型严重倾向于纹理（Shape Bias ~0.3），即它会将“大象纹理的汽车”识别为大象。而经过DVD训练的模型，其决策偏好发生根本性逆转。通过调节DVD的超参数，研究者得到三种典型模型：DVD-P（性能优先，Shape Bias ~0.7，准确率与基线相当）、DVD-B（平衡型，Shape Bias ~0.8+）、DVD-S（形状偏置优先，Shape Bias ~0.9+）。令人震惊的是，DVD-S模型的形状偏置直接落入人类儿童（4-6岁）的行为区间，显著超越所有对比的SOTA模型（包括自监督模型和大规模视觉语言模型）。

图3：跨数据集与架构的普适性验证

核心看点：DVD不是某个特定模型的“魔术”，而是一种可迁移的训练框架，能够普遍地提升现有视觉模型的形状感知能力。

图3验证了DVD方法的泛化能力。首先，研究者在三个不同规模的数据集（mini-ecoset, ecoset, ImageNet-1K）上重复实验，发现DVD-S模型在所有数据集上均能稳定地将形状偏置提升至接近人类水平，证明其不依赖于特定数据集。其次，研究者将DVD-B训练方案应用于8种不同的神经网络架构，包括传统的CNN（如VGG、DenseNet）和现代的Vision Transformer（ViT）。结果显示，所有架构经过DVD训练后，形状偏置均得到显著提升，且提升幅度相当一致。这表明DVD是一种架构无关的通用训练策略，能够广泛适用于各类视觉模型。

图4：DVD如何改变模型的“注意力”

核心看点：DVD的有效性并非来自简单的“模糊”，而是来自对比度调制对模型特征提取策略的根本性重塑。

图4深入探究了DVD起效的机制与关键因素。通过分析训练过程中的动态，发现DVD模型在早期（对应人类约20个月大时）就已建立起强烈的形状偏置，并保持稳定，这与人类婴幼儿的发展轨迹相似。通过Grad-CAM可视化模型的注意力热图，发现基线模型关注的是物体表面的局部纹理斑块，而DVD模型则关注物体的整体轮廓和关键部件，其注意力分布更接近人类。最关键的发现来自消融实验：研究者分别关闭DVD中的 acuity、对比度或色彩发育模块。结果发现，对比度敏感度的发育轨迹是提升形状偏置的最强驱动力，其贡献甚至超过单纯的模糊（acuity）。这是因为适度的对比度退化保留物体的全局轮廓，同时抑制高频纹理细节，强制模型学习更具判别力的形状特征。

图5：抽象形状识别与表征分析

核心看点：DVD训练赋予了AI一种类似人类的“完形”感知能力，使其能够忽略杂乱背景，提取并识别出纯粹的几何形状信息。

图5展示DVD在更具挑战性的“抽象形状识别”任务上的表现。人类能轻易地从复杂自然场景中识别出由线条构成的抽象形状（如三角形、星形），而现有AI模型往往被背景纹理干扰，无法识别形状。在IllusionBench基准测试中，基线模型（包括CLIP、GPT-4V等VLMs）的抽象形状召回率极低（<20%），而DVD-S模型达到了36.2%，显著优于所有基线。更深入的表征分析（t-SNE可视化）显示，基线模型倾向于将相同背景场景的图片聚在一起（基于纹理/场景聚类），而DVD模型则成功地将相同抽象形状的图片聚在一起（基于形状聚类），证明其内部表征确实编码了形状语义。

图6：对失真与对抗攻击的鲁棒性

核心看点：DVD不仅让AI“更像人一样看”，也让它“更像人一样稳”，为解决AI视觉的脆弱性问题提供了一条数据驱动的有效路径。

图6验证DVD带来的“副产品”——极强的鲁棒性。由于DVD模型依赖的是全局形状而非局部纹理，它对图像失真（如高斯模糊、噪声、雨雪天气遮挡、JPEG压缩等）具有天然的抵抗力。在15种不同的失真类型测试中，DVD模型在严重失真下的准确率是基线模型的2-4倍，其性能衰减曲线与人类行为数据高度吻合（缓慢下降而非断崖式下跌）。在对抗攻击测试中，DVD模型同样表现出色，无论是白盒还是黑盒攻击，其攻击成功率均显著低于基线模型。这是因为对抗攻击通常针对高频纹理细节进行微扰，而DVD模型根本不依赖这些细节，使得攻击“失效”。

这项研究告诉我们，让AI变强的不一定是更多的数据或更大的模型，而是像养育孩子一样，给它一份科学的“视觉辅食”，让它先学会看世界的大概轮廓，再慢慢看清细节。该研究为AI训练提供“发育对齐”（Developmental Alignment）的新思路，强调训练过程（How to learn）与训练数据同等重要。在形状偏置、抽象形状识别和鲁棒性等多个关键指标上实现突破，且计算成本极低（仅需修改数据预处理流程）。显著提升AI在开放环境（恶劣天气、低质量图像）下的可靠性，并增强其对对抗攻击的防御能力，推动了安全、可信AI的发展。

未来趋势

Zejin Lu, Sushrut Thorat, Radoslaw M. Cichy, et al.Adopting a human developmental visual diet yields robust and shape-based AI vision. Nature Machine Intelligence(2026). 

https://doi.org/10.1038/s42256-026-01228-6

往期推荐

突破后摩尔时代互连极限！三星首创“晶粒取向工程”，原子层沉积钌实现单晶通孔与高定向导线

当nMOS和pMOS不再“共用一种硅”：IMEC用混合沟道CFET打开新思路

IEDM 重磅突破：无锌a-IGO晶体管硬扛550°C热预算，亚10nm垂直DRAM迎来“非晶氧化物”时代