✨ 要点🔬 技术摘要
几个世纪以来，世界上最著名的画作一直隐藏着一个随观察位置而变化的秘密。这幅被称为《蒙娜丽莎》的丽莎·盖拉尔迪尼肖像，在远距离观察或通过余光瞥见时，似乎在微笑；然而，当人们直视她的嘴部时，那抹微笑又似乎消失了，或者变得忧郁。这种视觉错觉令心理学家和艺术爱好者深为着迷，并引出了一种关于人类大脑如何处理图像的具体理论。该理论认为，我们的视觉同时以两种不同的方式运作。我们视觉的一部分是锐利且聚焦的，能够看到细节，如嘴唇的确切形状；另一部分则较为柔和，处理视野边缘的信息，捕捉宽阔的形状和整体的光影。这种观点认为，画作中的微笑存在于余光所捕捉到的宽阔、模糊的形状中，但当我们的中心视觉试图检查嘴部的精细线条时，它便消失了。
直到现在，这个想法在很大程度上仍是一个基于人类观察的理论。然而，一项新的研究利用现代计算机技术对这一理论进行了测试。研究人员提取了一张高分辨率的数字版画作，并将其输入到一个旨在识别人类情感的复杂计算机系统中。研究团队并没有仅仅将图片作为一个整体来观察，而是将图像分解成从极其模糊的大型形状到极度锐利的精细纹理等不同层级的细节。随后，他们模拟了人在靠近或远离画作时的视觉变化。通过这种方式，他们可以精确地观察到图像中的哪些部分让计算机认为这位女性是快乐的，而哪些部分让它认为她是中性或忧郁的。其目标是观察一台经过人脸识别训练的机器，是否也会经历人类数百年来所报告的那种表情变化。
这项实验的结果以惊人的精确度证实了这一长期存在的理论。当研究人员仅使用宽阔、低细节的图层（模拟远距离观察或侧向余光观察）来分析图像时，计算机检测到快乐表情的可能性增加了两倍。在这种条件下，机器识别出微笑的概率约为14%。然而，随着分析转向包含最精细、最锐利的细节（模拟近距离直视嘴部的视角），对快乐的检测率急剧下降。在这种高分辨率模式下，计算机看到微笑的可能性下降了一半以上，降至约6%。与此同时，计算机对面部表情为“中性”的确定度大幅上升，从零跃升至接近58%。这种转变完全印证了神经科学家的假设：微笑是粗略视觉的产物，而当大脑切换到精细视觉时，它便会消退。
研究还揭示了关于这幅画作构图的一些意想不到的发现。虽然总体趋势显示随着图像变得清晰，快乐感会逐渐消失，但在一个特定的细节中间范围内，微笑突然再次出现，并达到了20%的概率峰值。研究人员认为，这是由于列奥纳多·达·芬奇绘画方式的独特之处。他使用了名为“晕涂法”（sfumato）的技术，即通过层层叠加数十层薄而透明的油彩涂层，来创造色彩之间柔和、烟雾般的过渡。当计算机隔离出这一特定的中间细节范围时，它捕捉到了由这些图层创造的嘴角处微妙的弧形阴影。尽管嘴唇的实际线条并非向上弯曲，但这些阴影在计算机的注意力系统中看起来却像是一个微笑。这表明，这幅画的奥秘不仅仅是模糊视觉与锐利视觉之间的简单把戏，而是不同视觉频率共同作用以创造出一种模糊表情的复杂和谐。
在此项研究结果出现之前，许多计算机研究仅仅将这幅画视为一张单一、静态的图像，并判定其表情大多是中性或忧郁的。那些早期的尝试未能考虑到人类眼睛观察世界的方式——即视觉会不断地变换焦点和距离。通过使用一种能够模拟大脑如何整合不同尺度信息的现代计算机视觉技术，这项新研究在艺术史、人类生物学和人工智能之间建立了可靠的联系。它表明，《蒙娜丽莎》那种神秘的特质不仅是艺术解读的问题，更是编码在油彩空间频率中的物理现实。研究结论指出，那个微笑是真实的，但它是一个只有在你不去直视它时才会存在的微笑——人类眼睛和先进计算机现在都能对此达成共识。
技术摘要：解构《蒙娜丽莎》中的“捉摸不定的微笑”
问题陈述
《蒙娜丽莎》（约1503–1519）呈现了一种持久的视觉模糊性：当从外围视角或远距离观察时，主体似乎在微笑；但当直接注视时，表情则转变为忧郁的中性状态。神经生物学家玛格丽特·利文斯通（Margaret Livingstone）假设，这一现象源于人类视觉系统中对空间频率的不同处理方式：由大细胞通路（边缘视觉）处理的粗糙低空间频率（LSF）检测到了微笑的上扬曲线，而由小细胞通路（中央凹视觉）处理的精细高空间频率（HSF）则揭示了缺乏上扬线条的事实，从而使表情呈现为中性。
以往的计算研究曾试图利用面部表情识别（FER）模型分析该肖像的表情，但这些研究存在三个方法论上的局限性：
静态单体化评估： 它们将数字化复制品视为统一的二维阵列，忽略了视觉皮层的频率选择性。忽视观察距离： 它们未能模拟物理观察距离的变化如何影响视网膜的空间频率内容。架构偏见： 它们依赖于经典的特征提取器（如 Gabor 滤波器、HOG）或浅层 CNN，这些工具缺乏人类感知中所具备的非局部上下文整合能力。
本研究旨在利用现代视觉 Transformer（ViT）和频域分解，对利文斯通的假设进行首次系统的计算测试。
研究方法
本研究采用了一个结合图像处理与深度学习推理的多尺度、频域框架。
1. 数据预处理
来源： 使用来自卢浮宫/C2RMF 的超高分辨率、色彩校准的科学数字化《蒙娜丽莎》（1280 × 1908 像素）。对齐： 使用多任务级联卷积网络（MTCNN）和 Haar 特征进行面部与眼睛定位。通过仿射变换将瞳孔间向量水平对齐。标准化： 将面部裁剪为正方形（3.0倍双眼间距），并缩放至 512 × 512 像素。归一化： 在 CIE La b* 色彩空间中应用光度归一化以消除照明伪影，从而隔离结构与空间频率效应。
2. 空间频率分解
应用两种滤波方法来模拟不同的观察条件：
带通分解： 在离散傅里叶变换（DFT）域中应用二维 Butterworth 带通滤波器，以隔离五个倍频程尺度的频带（以每脸宽周期数 cpf 为单位）：
极低（0–4 cpf）：全局形状/照明。
低（4–8 cpf）：宽泛的面部轮廓。
中（8–16 cpf）：中间结构。
高（16–32 cpf）：大型轮廓与嘴部边界。
极高（32–64 cpf）：精细纹理与裂纹。
观察距离模拟： 使用累积低通滤波序列（截止频率分别为 2, 4, 8, 16, 32, 64, 128 cpf）来模拟观察者从远距离（低截止频率）移动到近距离观察（高截止频率）的过程。
3. 模型架构
视觉 Transformer (ViT)： 使用经过微调的 ViT-B/16 模型，该模型在 ImageNet-21k 上进行了预训练，并在 AffectNet 数据集上进行了专门化处理，用于 7 类情绪分类（愤怒、厌恶、恐惧、快乐、中性、悲伤、惊讶）。动作单元 (AU) 提取： 通过局部空间梯度追踪特定的面部动作单元（基于局部空间梯度的 AU12 用于微笑、AU15 用于皱眉、AU06 用于杜彻尼微笑）。
关键结果
1. 空间频率假设的验证
实证结果与利文斯通关于观察距离（空间频率）与情感感知之间关系的假设高度吻合：
外围/远距离区间（4–16 cpf）： 检测到快乐的概率保持在高位且稳定（4 cpf 时为 14.06%，8 cpf 时为 13.51%，16 cpf 时为 13.00%）。中央凹/近距离区间（32–128 cpf）： 引入高分辨率细节（>32 cpf）后，检测到快乐的概率大幅下降 54%，降至 6.44%。与此同时，检测到“中性”表情的概率从 0% 激增至 57.34%。结论： 模型证实了粗略的空间频率承载了“微笑”信号，而精细的空间频率则揭示了“中性”的现实，这镜像了人类的心理物理学特征。
2. 多尺度情感模糊性
未处理图像： 全频谱、未经过滤的肖像被主要分类为中性 (55%) 和 悲伤 (26%) ，快乐仅占 8%。带通效应： 频谱分解揭示了潜在的情感不稳定性。
在极低 (0–4 cpf) 频带中，中性消失（0%），取而代之的是愤怒（26%）、惊讶（21%）和快乐（14%）的混合。
在高 (16–32 cpf) 频带中，出现了一个局部的快乐峰值（20.01%），高于未处理的图像。
3. 晕散法（Sfumato）机制
研究发现，在 16–32 cpf 区间存在一个非平凡的局部快乐峰值。作者将其归因于 ViT 的块级自注意力机制与达芬奇“晕散法”（sfumato ）技术的相互作用。当滤除低频填充和超高频表面裂纹后，剩余的嘴角梯度边界模仿了“上扬”的唇角（AU12），从而在 Transformer 中触发了快乐反应。
意义与主张
本文声称建立了文化遗产领域内心理物理学、视觉神经生物学与计算机视觉之间的可靠计算联系。
验证神经生物学理论： 本研究表明，“捉摸不定的微笑”不仅是一种艺术幻觉，更是一种可以用基于现代视觉语料库训练的深度学习架构进行重现和量化的现象。ViT 的行为模拟了人类的大细胞/小细胞二分法。超越静态标注： 研究认为，将通用的深度学习分类器应用于历史艺术品作为静态快照是不充分的。相反，多尺度空间频率分析允许计算机视觉去建模艺术家意图下的动态视觉体验，并考虑到观察距离和照明条件的改变。技术艺术史： 这项工作将文艺复兴时期的绘画技术（晕散法的微观釉层）与现代 Transformer 注意力机制联系起来，表明《蒙娜丽莎》的模糊性是不同频带中冲突情感线索的一种“多尺度、谐波构建”的相互作用。
作者对其主张保持了谦逊，承认了存在的局限性，例如“摄影领域差异”（在现代照片而非 16 世纪油画釉层上进行训练）以及数字分析无法完全重建原始光学调色板（由于数百年的清漆变黄和裂纹形成）的问题。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。