Neuronale afstemming komt dynamisch overeen met object- en textuurmanifolds door de visuele hiërarchie heen

Hoe de hersenen meer zien dan alleen dingen

Wanneer je even naar een drukke straat kijkt, haalt je brein onmiddellijk betekenis uit een wirwar van auto’s, gezichten, bladeren en schaduwen. Maar individuele hersencellen worden niet alleen actief voor nette categorieën zoals “auto” of “gezicht.” Ze reageren vaak op veel uiteenlopende beelden, wat onderzoekers voor raadsels stelt over waar deze cellen echt gevoelig voor zijn. Deze studie gebruikt geavanceerde, beeldgenererende kunstmatige intelligentie om individuele neuronen hun favoriete afbeeldingen te laten “ontwerpen”, en onthult hoe het brein gevoeligheid voor fijne texturen afweegt tegen herkenning van hele objecten.

Twee verschillende visuele werelden

De onderzoekers werkten met twee krachtige beeldgeneratoren, elk met een ander visueel “accent.” De ene, DeePSim genoemd, is speciaal goed in het produceren van rijke texturen en patronen, maar de beelden missen vaak duidelijke, herkenbare objecten. De andere, BigGAN, is getraind om scherpe, foto-achtige plaatjes te maken vol herkenbare items zoals dieren en gereedschap. Door deze generatoren te beschouwen als alternatieve manieren om de ruimte van mogelijke beelden op te delen, kon het team vragen of hersencellen meer uitgelijnd zijn met een textuurgerichte of een objectgerichte kijk op de wereld.

Neuronen hun eigen plaatjes laten kiezen

Bij macaque-aapjes registreerden de wetenschappers activiteit van neuronen langs de ventrale visuele route — een reeks hersengebieden die helpt ruwe visuele input om te zetten in objectherkenning. Ze richtten zich op drie stations: V1 (vroeg visuele cortex), V4 (een tussenliggend gebied) en PIT (posterieur inferotemporale cortex, een gebied op hoger niveau). Tijdens experimenten stuurde de vuursnelheid van elk neuron een gesloten-lus zoekproces door de beeldruimte van elke generator aan. In snelle reeksen werd het neuron synthetische afbeeldingen getoond; de afbeeldingen die meer spikes veroorzaakten duwden de generator richting vergelijkbare beelden in de volgende ronde. Na vele generaties produceerde deze “evolutie” sterk activerende afbeeldingen in zowel de textuur- als de objectruimte.

Verborgen lokale kenmerken, niet alleen hele objecten

Verrassend genoeg zagen neuronen die afbeeldingen optimaliseerden in de textuurgerichte ruimte en in de objectgerichte ruimte vaak eindbeelden die globaal verschillend waren, maar een specifiek lokaal motief deelden — bijvoorbeeld een gebogen rand of een gekleurd vlak — op een vergelijkbare locatie. Analyses met diepe neurale netwerken bevestigden dat deze gepaarde afbeeldingen in feature-ruimte meer op elkaar leken dan afbeeldingen die voor verschillende neuronen waren geoptimaliseerd. Ruimtelijke kaarten lieten zien dat de activiteit van het neuron het beste werd voorspeld door bepaalde regio’s binnen de afbeeldingen, wat suggereert dat veel cellen reageren op terugkerende lokale bouwstenen die in zeer verschillende scènes kunnen verschijnen, in plaats van op een enkel, star objecttemplate.

Verschuivende balans van texturen naar objecten

Het team vroeg vervolgens hoe gemakkelijk neuronen in elk hersengebied tot een sterke respons konden “klimmen” binnen elke beeldruimte. In vroege gebieden V1 en V4 slaagde optimalisatie in de textuurruimte vaker, klom sneller en bereikte hogere piekresponsen dan in de objectruimte, wat een duidelijke textuurvoorkeur onthulde. In PIT presteerden neuronen daarentegen goed in beide ruimtes: ze konden sterk worden aangedreven door zowel textuurachtige als objectachtige synthetische beelden, en de optimalisatiesnelheden werden vergelijkbaar. Kijken naar responstiming voegde nog een nuance toe. In PIT versterkten textuurgebaseerde beelden vaak vroege reacties, terwijl objectgebaseerde beelden sterker latere, aanhoudende vuring activeerden, wat erop wijst dat objectgerichte verwerking langzamer in de tijd tot ontwikkeling komt.

Kaarten van voorkeur in objectruimte

Om de precieze vorm van deze voorkeuren te onderzoeken, voerden de onderzoekers “Hessian-tuning” experimenten uit in de latente ruimte van de objectgenerator. Nadat een neuron een sterke respons had bereikt op een geoptimaliseerd objectachtig beeld, namen ze systematisch afbeeldingen af langs vele richtingen rond dat punt. Wanneer optimalisatie echt een hoge piek had gevonden, vormde de vuursnelheid van het neuron doorgaans belvormige krommen langs deze richtingen: ze steeg en viel weer af naarmate afbeeldingen verder van het geprefereerde beeld afbewogen. Wanneer optimalisatie geen sterke piek had bereikt, leken de afstemmingscurven vaak meer op hellingen. Dit toont aan dat of een neuron een smal favoriet lijkt te hebben of een geleidelijke voorkeur, kan afhangen van hoe grondig we de enorme ruimte van mogelijke afbeeldingen doorzoeken.

Wat dit betekent voor het begrijpen van visie

Samengevat schetst de studie het ventrale visuele pad als een flexibel systeem dat aanvankelijk texturen bevoordeelt en geleidelijk een even sterke grip op objectstructuur ontwikkelt. In plaats van gehele objecten als ondeelbare eenheden te coderen, lijken neuronen herbruikbare lokale kenmerken te prioriteren die in veel verschillende scènes gecombineerd kunnen worden. Hoog-niveau PIT-neuronen kunnen zowel overeenkomen met een textuurgebaseerde als een objectgebaseerde beschrijving van de visuele wereld — een veelzijdigheid waar huidige kunstmatige netwerken nog moeite mee hebben. Voor de niet-specialist is de kernboodschap dat onze hersenen niet simpelweg “objectdetectoren” zijn: het zijn verfijnde patroonmachines die betekenis kunnen lezen uit zowel fijnmazige texturen als volledige vormen, en die hun nadruk over ruimte en tijd verschuiven om de rijke visuele ervaring te ondersteunen die we als vanzelfsprekend beschouwen.

Bronvermelding: Wang, B., Ponce, C.R. Neuronal tuning aligns dynamically with object and texture manifolds across the visual hierarchy. Nat Neurosci 29, 864–875 (2026). https://doi.org/10.1038/s41593-026-02207-1

Trefwoorden: visuele cortex, objectherkenning, textuurverwerking, generatieve modellen, neurale afstemming