PsyBrain 脑心前沿 / 感知觉与注意：顶刊文献解读专题 / A · 文献解读 / A061 · SciAdv物体被挡住也不慌：视觉皮层会跟着场景“实时更

A061 Sci Adv | 物体被挡住也不慌：视觉皮层会跟着场景“实时更新”你看到的东西

来源：公众号 PSY-Brain_Frontier ｜发布：2026-01-29 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

第一时间接收每日前沿资讯

寒假提升计划

看了这么多顶刊文献，想要进行数据分析的心是不是蠢蠢欲动了？寒假期间 PsyBrain 脑心前沿团队会带来一些 数据分析流程的讲解，配合示例数据和代码，带你跑通复杂的顶刊分析流程，欢迎大家关注~

如果你有感兴趣的、想学习的分析方法，欢迎给我们留言~

认知神经科学前沿文献分享

基本信息：

Title:Dynamic context–based updating of object representations in the visual cortex

发表时间：2026.1.21

Journal:Science Advances

影响因子：12.5

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”即可跳转论文原网页

引言

现实世界里，我们很少在“完美条件”下看东西：物体可能在视野边缘、被遮挡（occlusion），或者因为我们在移动而不断改变外观。比如走进一间房，沙发被桌子挡住一半，但你仍能迅速判断它的朝向；当你绕到侧面，沙发在视网膜上的投影会从“宽（wide）”变得更“窄（narrow）”，这种变化并不是随机的，而是由房间的三维结构（three-dimensional structure, 3D）与视角改变共同决定。

过去很多研究已证明，静态场景线索能影响视觉皮层对不可见部分的“补全”，甚至在早期视觉皮层（early visual cortex, EVC）中也能读出被遮挡的场景信息。但真实环境更关键的难点在于“动态”：当场景在旋转、视角在变化时，大脑能否利用场景几何去预测物体接下来应该呈现的外观，并把这种预测写进视觉皮层的表征？

Aldegheri 等人把问题聚焦到一个非常具体、可检验的表征单位：物体在二维视网膜平面的“近端形状（proximal shape）”是宽还是窄，并提出两步验证路径：第一步看预测是否会增强可见物体的表征；第二步更激进——在物体完全不可见时，视觉皮层是否仍携带“被场景推断出的物体朝向/形状信息”，从而证明预测不仅“调制（modulate）”，还可能“驱动（drive）”视觉表征。

实验设计与方法逻辑

作者用两项 fMRI 实验构造“房间旋转—物体遮挡”的动态情境：先让被试看到房间与中央物体（床/沙发）的初始相对关系，随后房间以 30°或 90°分步旋转，旋转中物体被遮挡，只留下可见的场景背景；在实验1中物体最终再出现且可能与场景旋转“相符/不相符（congruent/incongruent）”，用多变量模式分析（MVPA）解码“宽/窄”表征差异；实验2则让物体多半始终不出现，以跨解码（cross-decoding）检验纯自上而下预测能否在遮挡期被读出。

Fig. 1. Experimental design of Experiment 1.

Fig. 2. Trial sequence and behavioral results of Experiment 1.

核心发现

1）动态场景“对齐”会增强早期视觉表征（EVC），即使视觉刺激相同

实验1最关键的设计是：相同的最终画面，在不同试次语境下可被定义为“相符/不相符”，从而把差异锁定为“基于场景的动态更新”而非刺激本身。如 Fig.3 所示，作者用跨解码去读出物体“宽/窄”近端形状，结果在 EVC 中，相符条件的解码信息显著高于不相符条件，而在晚期视觉皮层（late visual cortex, LVC）未见同样差异。这意味着：动态场景几何产生的预测，会让早期视觉表征更“可分辨”，像是在底层表征里提前把正确的外观组织好。

图10

图11

Fig. 3. Results of Experiment 1.

2）预测带来的是“更高信息量”，而不是“更高整体激活”

直觉上你可能会以为：相符更容易，所以注意力更多、激活更强。但论文强调的反转点是：相符并不需要更大的总体反应；相反，全脑单变量对比显示更强的反应主要出现在“不相符”条件，呈现类似“意外/冲突”信号（Fig.4 的结论在文中总结为 incongruent 更强、congruent 无更强簇）。因此，Fig.3 的解码增强更像“编码效率（efficient code）”提升：用更少或不增加的能量，表达更清晰的物体外观信息。

图12

Fig. 4. Results of the univariate contrast between incongruent and congruent trials.

3）增强不是孤立发生：与高阶视觉/动作相关网络耦合

作者进一步问：EVC 的增强从哪里来？他们做了信息-激活耦合（information-activation coupling）分析，把 EVC 的“解码时间序列”作为种子，寻找哪些脑区在相符条件下与其耦合更强。Fig.5 显示耦合增强的簇分布在高阶视觉区，以及顶叶、前运动与额下回等区域；并通过 Neurosynth 关联到运动加工（V5/MT）、物体加工（fusiform/objects）及空间变换/心理旋转相关术语。这为“场景几何→高阶推断→反馈调制 EVC”的链条补上了机制证据。

图13

Fig. 5. Information-activation coupling analysis.

4）物体完全不可见时，视觉皮层仍携带“被推断的外观”

实验2把检验推到更硬核：多数试次物体直到结束都不出现，被试也不做精细辨别任务，只需统计少数“再出现”试次以保持注意。如 Fig.6，分类器先在无背景物体上学习“宽/窄”，再去测试遮挡期的脑活动，结果在 LVC 中能稳定解码出预期的“宽/窄”近端形状，而 EVC 未达到显著水平。这说明：仅凭旋转后的场景视角，大脑就能在没有任何物体视觉输入时，生成并维持其“应当呈现的外观”表征。

图14

图15

Fig. 6. Results of Experiment 2.

图16

归纳总结和点评

这篇研究把“预测编码（predictive processing）”从静态遮挡补全推进到更贴近日常的动态三维场景：视觉皮层不仅会在物体再出现时表现出更强的可解码表征（EVC 更敏感），还会在物体完全不可见时，由场景几何推断出其近端形状并在视觉系统中留下可读出的痕迹（LVC 更突出）。两项实验前后衔接紧密，既控制了刺激混淆，又用跨解码把“预测内容是什么”说清楚；再配合耦合分析把潜在网络来源拉出来，使“场景驱动的动态更新”从现象到机制更完整。对理解真实世界中的目标追踪、遮挡期维持与视角变化下的稳定知觉，这项工作提供了扎实且可扩展的神经证据。

图17