视觉异画揭示全息形状加工中跨视觉模型的隐蔽差异

人类能够基于局部纹理线索和物体部件的配置来识别物体，而当代视觉模型主要依赖局部纹理线索，导致特征脆弱且不可组合。形状与纹理偏差研究将形状与纹理表征置于对立中，衡量形状相对于纹理，忽视了模型（以及人类）可能同时依赖这两种线索的可能性，同时遮蔽了这两种表征的绝对质量。因此，我们将形状评估重新定义为绝对配置能力的问题，借此通过配置形状得分（Configural Shape Score, CSS）来实现，该指标（i）衡量能够识别对象异画对中两幅图像的能力，这些图像在保持局部纹理的同时扰乱全局部件配置，以呈现不同的物体类别。在86个卷积、Transformer和混合模型中，CSS（ii）揭示了广泛的配置灵敏度谱，其中自监督且语言对齐的Transformer -- 例如 DINOv2、SigLIP2 和 EVA-CLIP -- 位于CSS谱的上端。机制探针显示（iii）高CSS网络依赖于长程相互作用：半径控制的注意力掩码会消除性能，呈现独特的U形集成轮廓，表征相似性分析则暴露了从局部到全局编码的中层转变。BagNet 控制仍停留在随机水平（iv），排除了“边境作弊”策略。最后（v）我们表明，配置形状得分还能预测其他形状依赖评估。总体而言，我们提出，致力于构建真正稳健、可泛化且类人视觉系统的路径，可能不在于强制在形状与纹理之间做出人工选择，而在于能够无缝集成局部纹理和全局配置形状的架构和学习框架。