本研究提出了一种基于视觉皮层边界完成机制的定制滤波器，以提高卷积神经网络在处理遮挡图像时的鲁棒性。修改后的LeNet 5在处理被遮挡的MNIST图像时，准确性显著提升，验证了该方法的有效性。

本研究提出LaVCa方法，通过大型语言模型生成与人脑视觉皮层体素活动相关的自然语言描述，解决了体素响应解释的挑战。该方法在描述体素选择性方面更为准确，提供了对人类视觉表征的深刻见解，展示了基于LLM的研究潜力。

该论文提出多种基于神经解码和深度学习的方法，研究大脑视觉皮层的表征及其与视觉和语义特征的关系。结果表明，结合多模态信息和生成模型能有效提高图像重建和视觉理解的准确性，揭示了视觉-语义表示的复杂性。

该研究提出了一种名为“反馈-前馈对齐”（FFA）的学习算法，通过共同优化分类和重建任务，使得反馈连接具有视觉推理功能。该算法比传统的反向传播方法更接近生物合理性的实现，为解释视觉皮层中反馈连接支持灵活视觉功能的机制提供了有前景的概念证明。

该研究开发了一种生物物理模型的尖峰网络，可以预测自然图像上 V1 简单细胞感受野的全部多样性形状。稀疏编码原则在皮层结构限制下操作时可以成功地再现这些感受野。稀疏性和去相关是优化神经表达形成的关键因素。研究讨论了网络的几个新兴属性，以期弥合视觉皮层的理论和实验研究之间的差距。