理论、鲁棒性与核心机器学习
突破级
有讲解视频
收录解读
这篇工作的推进点不在于再造一个更大的视觉模型，而是把‘人类视觉是如何长成的’直接变成训练课程。作者把婴儿到成年阶段的 visual acuity、contrast sensitivity 和 colour sensitivity 的心理物理发展轨迹系统化成一条 developmental visual diet，用它替代一开始就喂高保真图像的标准训练流程。
真正有外溢价值的是这里给出了一种更稳的 robustness interface：不是继续在架构和数据规模上硬堆，而是通过 developmental curriculum 去改变模型学到的视觉归纳偏置。结果上，DVD 明显提升了 shape bias、抽象形状识别，以及对 corruption 和 adversarial attack 的韧性，而且不是只在一个小 benchmark 上成立。
它值得正式收录，因为这不是又一个局部 augmentation recipe，而是一个可复用的训练范式：把认知发展规律翻译成机器视觉训练日程。对 robust vision、human-aligned perception、brain-inspired AI 和资源受限训练路线，这都是有方法外溢的。
它没有更高，是因为当前证据仍主要围绕 image classification 家族及其 robustness battery。这个 developmental curriculum 是否会稳定迁移到更广的视觉基础模型、视频、VLM 或 embodied perception，还需要后续验证。