PsyBrain 脑心前沿 / 感知觉与注意：顶刊文献解读专题 / A · 文献解读 / A011 · 最新NatNeurosci为什么我们会在某些画面上多看一

A011 最新Nat Neurosci | 为什么我们会在某些画面上多看一会儿？

来源：公众号 PSY-Brain_Frontier ｜发布：2026-05-28 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Fixation duration on natural scenes is explained by memory encoding not processing demand

发表时间: 2026-05-25

发表期刊:Nature Neuroscience

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

引言

我们每天大约会进行20万次眼动。在每一次扫视发生之前，大脑都要先做一个近乎瞬时的决定：当前这个位置还值不值得继续看下去。可有趣的是，注视时长并不均匀。有些位置不到150毫秒就被迅速放弃，有些却会停留超过500毫秒。这个差异看似只是眼动节奏的自然波动，实际上却触及主动视觉中的一个核心问题：大脑究竟依据什么来分配“看多久”这项时间资源？

长期以来，一种很有吸引力的解释是“加工需求”假说。按照这一思路，注视之所以延长，是因为当前视觉输入更难识别、更复杂，或者需要更长的递归计算时间；既然还没“处理完”，眼睛就不该太早离开。这套解释与不少视觉加工研究相契合，也很符合直觉：难的东西，多看一会儿。然而，这种说法主要建立在注视时长与图像特征、任务要求等变量的相关关系之上，关于背后的神经信息处理机制，证据其实并不充分。

这篇论文提出了另一种更具策略性的解释。作者注意到，在自然观看中，一次注视形成的视觉表征，可能会在下一次眼动带来新输入后迅速被覆盖。若某块信息对后续理解、整合或记忆更重要，大脑也许不是因为“还没看明白”才延长注视，而是在主动争取一小段额外时间，把这部分信息稳定下来并送入下游记忆过程。换句话说，注视时长未必主要反映感知瓶颈，也可能反映信息的后续利用价值。

这一区分非常重要，因为它不只是重新解释一个眼动指标，而是在追问主动视觉的基本组织原则：眼睛停留的时间，到底是被当前计算难度拖住，还是由未来要不要“记住它、用上它”来调度？为此，作者把问题明确化为两种可检验的竞争性假说，并在自然场景观看任务中同时记录脑磁图（magnetoencephalography, MEG）和眼动，再结合人工神经网络模型、语义描述任务和神经解码分析，试图从行为、计算和神经动力学三个层面，回答“为什么我们会在某些地方多看一会儿”。

实验设计与方法逻辑

研究纳入5名被试，每人自由观看4,080张自然场景图片，每张呈现4秒，并同步记录MEG和眼动；其中25%的试次在观看后要求被试口头描述场景内容（Fig. 1）。作者据此构建两条对照证据链：一条检验“加工需求”假说，即更长注视是否伴随视觉表征稳定时间延后，以及更难识别的局部是否被看得更久；另一条检验“记忆促进”假说，即更长注视是否与后续被描述的信息、更高的可记忆性预测，以及记忆相关神经振荡标志相联系。具体上，作者分析了注视对齐的MEG源空间模式动态，用任务训练的AlexNet估计局部分类难度，用ResMem估计局部可记忆性，并进一步从MEG中解码这些指标，最后比较长短注视末段的theta-gamma相位-振幅耦合。

Figure. 1 | Understanding the neural dynamics of active scene viewing: the Active Visual Semantics dataset

核心发现

发现一：视觉表征的稳定时点基本不随注视长短变化

论文首先正面检验“更长注视=需要更长视觉加工时间”这一关键预测。作者在多个视觉相关脑区中，计算相邻时间点MEG源空间激活模式的变化，并用主峰后下降过程中的“半降点”来表示神经表征趋于稳定的时间。结果显示，不同注视时长组在腹侧视觉皮层中的动力学曲线虽然整体形状一致，但稳定时点并未随着注视变长而系统后移，Figure 2d 直观呈现了这一点；Figure 2e 进一步表明，早期视觉、外侧、顶叶和腹侧区域都呈现相似结论，统计检验也未见显著差异（文中报告所有P > 0.25）。

Figure 2. Visual processing demand does not translate to longer fixation durations

这组图之所以关键，在于它检验的不是“长短注视是否不同”这样笼统的问题，而是一个非常具体的机制判断：如果长注视是因为还在继续完成视觉处理，那么神经表征稳定时间应被拖后。现在看到的却是，无论最后停留多久，视觉表征都在相近时点达到相对稳定。

发现二：更容易识别的局部，反而获得更长注视

如果加工需求主导注视时长，那么更难识别的内容理应拖慢离开时间。作者随后利用在Ecoset上训练并适配局部裁剪输入的AlexNet，以分类层熵估计每个注视目标的识别难度：熵越高，代表分类越不确定、识别越困难。结果与传统预期相反。Figure 2g 显示，无论看绝对熵，还是在同一场景内部标准化后的相对熵，分类难度越高，平均注视时长反而越短；混合效应模型同样支持这一负相关关系。

为避免这种关系只是模型输出的巧合，作者又进一步从MEG信号中解码分类难度。Figure 2h 表明，注视开始后约114毫秒，MEG可对这一难度指标进行有限但显著的解码；更重要的是，Figure 2i 显示，由神经信号预测出的更高分类难度，同样对应更短的注视。这意味着“容易识别的局部被看得更久”不仅出现在计算模型层面，也得到神经数据的独立呼应。

发现三：更可能被后续利用、也更具可记忆性的内容会被看得更久

在削弱“处理难度”解释之后，论文转而检验记忆相关预测。最直接的一步，是看某个注视目标后来是否进入了被试自己的场景口头描述。Figure 3a 给出了人工标注逻辑：每个目标被分为“被本人提及”“仅被他人提及”或“无人提及”。Figure 3b 显示，被试后来在自己描述中提到的目标，平均注视时长明显更长；相比完全未被提及的目标，效应约为25.7毫秒。值得注意的是，仅被其他参与者提及而未被本人提及的目标，并未与从未提及者形成显著差异，这说明这里关联的不是目标本身某种普遍显眼属性，而更接近个体后续实际使用的信息。

Figure 3. Memory-related downstream processing of visual information predicts fixation duration

作者又把分析扩展到全部注视，用ResMem模型估计局部图像的可记忆性。Figure 3d 显示，无论是绝对可记忆性还是场景内相对可记忆性，分值越高，注视时长越长；Figure 3e 进一步表明，这种可记忆性还可以从MEG中被解码出来，而且MEG预测的可记忆性越高，实际注视也越长。

发现四：长注视末段伴随更强的记忆相关theta-gamma耦合

如果更长注视确实服务于下游记忆过程，那么神经生理层面应出现相应标志。作者据此分析了注视结束前最后250毫秒内的theta-gamma相位-振幅耦合（phase-amplitude coupling, PAC），并采用去除事件相关场、结合替代分布的方法来控制伪耦合风险。Figure 4b 显示，在长注视中，theta-gamma耦合并非主要集中在早期视觉区，而是广泛出现在额叶、顶叶和颞内侧相关区域；Figure 4c 进一步量化了多个ROI相对于早期视觉皮层更强的耦合水平。

图10

Figure 4. Neural signatures of memory-related processing

更关键的是，作者直接比较了长注视与短注视在相同偏移锁定窗口中的PAC强度。Figure 4e 显示，长注视的theta-gamma耦合整体更强，显著差异尤其出现在眶额皮层、额叶眼动区、内侧前额叶、下额叶、背外侧前额叶，以及腹侧皮层；正文还指出海马区域在长注视中呈现与记忆网络一致的耦合增强格局。

图11

归纳总结和点评

这项研究的价值，在于它没有把注视时长当作单纯的行为现象来描述，而是围绕两种竞争机制建立了较完整的证据链。综合MEG动力学、识别难度建模、后续语言利用、可记忆性预测和振荡耦合分析，论文给出的更可信解释是：自然观看中的长注视，主要并非源于视觉系统“还没处理完”，而更像是大脑在为后续记忆与信息利用主动分配时间。它因此推动了一个值得重视的视角转变——主动视觉不仅是采样外界信息，也是在决定哪些信息值得留下。边界同样清楚：样本量仅5人，研究情境为自然场景自由观看，关于因果方向、个体差异及更广泛任务中的普适性，仍需后续研究进一步验证。

···

图12