ENDE
AnmeldenÜbersicht

Forschende der Wahrnehmungspsychologie zeigen wie das Gehirn Spiegelreflexe unterscheidet

Die Wirksamkeit kleiner neuronaler Netze: Wie unser visuelles System bei der Einschätzung von Oberflächen auf Einfachheit statt auf physikalische Präzision setzt

Aufnahmen realer Gegenstände, die von einem sehr kleinen neuronalen Netz als hochglänzend eingestuft wurden (oben), sowie die dazugehörigen Wärmekarten (unten), in denen rote Bereiche eine hohe Aktivierung des Netzwerks darstellen. Trotz seiner simplen Architektur kann das Netzwerk bei einer Vielzahl von Materialien auf schräge Reflexionsbereiche reagieren – also die menschliche Wahrnehmung von Glanz abbilden. Bildnachweis: pxhere.com / Takuma Morimoto.

Warum sieht ein polierter Apfel glänzend aus, während ein Laib Brot matt aussieht? Das klingt wie eine einfache Frage, aber für unser Gehirn ist sie alles andere als simpel. Seit Jahrzehnten wissen Forschende, dass glänzende Objekte oft helle Spiegelreflexe erzeugen, die polierte Oberflächen glänzend aussehen lassen. Was bislang nicht bekannt war: Wie unterscheidet das Gehirn diese Spiegelreflexe von ähnlichen Bildmustern mit anderen Ursachen wie Markierungen oder Unebenheiten auf der Oberfläche? Eine Studie unter Federführung von Forschenden aus der Wahrnehmungspsychologie der Justus-Liebig-Universität Gießen (JLU) legt nahe, dass das Gehirn dieses Problem nicht mit komplizierter Physik, sondern mit überraschend einfachen visuellen Berechnungen löst. Die Ergebnisse wurden in der Fachzeitschrift „Nature Human Behaviour“ veröffentlicht.

Für ihre Studie nutzten die Forschenden einen neuen Ansatz. Statt handgestalteten Bildern verwendeten sie maschinelles Lernen als Werkzeug, um Tausende von computergerenderten Objektbildern zu generieren. Anschließend haben sie gemessen, wie glänzend jedes Bild den Betrachtenden erschien. „Entscheidend dabei war, dass die Bilder auch Fälle zeigten, in denen die physikalische Reflexion und der wahrgenommene Glanz nicht immer übereinstimmten – denn diese Diskrepanzen können Aufschluss über die charakteristischen Rechenstrategien und Annahmen geben, die dem menschlichen Sehen zugrunde liegen“, so der JLU-Wahrnehmungsforscher Prof. Dr. Roland W. Fleming, Sprecher des Exzellenzclusters TAM – The Adaptive Mind und Seniorautor der Studie.

Die Forschenden trainierten anschließend zwei Arten von künstlichen neuronalen Netzen. Ein Netz wurde trainiert, menschliche Glanzurteile nachzubilden, während das andere lernen sollte, physikalische Reflexion zu schätzen. Dem lag folgende Überlegung zugrunde: Wenn die Menschen tatsächlich die physikalischen Eigenschaften der Welt wahrnehmen, sollten beide Aufgaben einen ähnlichen Mechanismus der Netzwerke erfordern. Aber das war nicht der Fall.

Stattdessen fanden die Forschenden heraus, dass „flache“ Netzwerke mit nur drei Schichten menschliche Glanzurteile überraschend gut vorhersagen konnten. Sogar ein extrem kleines Netz mit nur einem Filter konnte menschliche Reaktionen in einem bedeutenden Umfang erfassen. Dieser Filter schien generische visuelle Empfindlichkeiten – wie Kontrast, schräge Glanzlichtstrukturen und die Farbstatistik natürlicher Beleuchtung – auf eine Weise zu kombinieren, die die Erkennung von Spiegelreflexen verbesserte. Im Gegensatz dazu erforderte die Schätzung der tatsächlichen physikalischen Reflexion tiefere Netze und mehr Trainingsdaten. Mit anderen Worten: Die Berechnungen, die erforderlich waren, um die menschliche Wahrnehmung abzubilden, waren viel einfacher als die, die erforderlich waren, um die physikalische Tatsache zu erkennen.

„Dies legt nahe, dass unser visuelles System nicht versucht, von dem Bild zurückzurechnen, um die physikalischen Eigenschaften der Welt jedes Mal zu rekonstruieren, wenn wir ein glänzendes Objekt betrachten“, sagt Dr. Takuma Morimoto, Erstautor der Studie. „Stattdessen scheint das Gehirn auf effiziente, wiederverwendbare visuelle Berechnungen zu vertrauen, die für eine stabile Wahrnehmung in vielen verschiedenen Situationen ausreichen.“

Eine wichtige Erkenntnis ist zudem die wissenschaftliche Bedeutung von kleinen, interpretierbaren neuronalen Netzen. Während führende KI-Labore immer größere Modelle entwickeln, die auf gigantischen Servern trainiert werden, haben die Forschenden hier bewusst die entgegengesetzte Richtung gewählt: Sie bauten die kleinsten Netze, die die menschliche Wahrnehmung noch erfassen konnten. Das macht es einfacher, die Berechnungen zu untersuchen – und verwandelt maschinelles Lernen von einem bloßen Modellierungswerkzeug in eine Möglichkeit zur Aufdeckung von Mechanismen im Gehirn.

„Glanz war unser Testfall, aber unsere Erkenntnis geht weit über glänzende Oberflächen hinaus“, sagt Prof. Fleming. „Wenn kleine datengetriebene Netze die Berechnungen hinter der Glanzwahrnehmung zeigen können, könnten ähnliche Ansätze uns helfen zu verstehen, wie biologische Systeme viele andere schwierige Probleme lösen.“ Die Forschenden möchten nun herausfinden, ob die Wahrnehmung von 3D-Strukturen und weiteren Eigenschaften durch verwandte Strategien aufgeklärt werden können.

Die Studie deutet darauf hin, dass einige der beeindruckendsten Leistungen unseres Gehirns aus kompakten, allgemeinen Berechnungsprinzipien entstehen – und nicht aus Lösungen, die für jede Wahrnehmungsaufgabe separat erstellt wurden. „Das eröffnet einen neuen Weg zum Verständnis der verborgenen Logik komplexer biologischer Systeme, sowohl innerhalb als auch außerhalb des Sehens“, so Prof. Fleming.


Publikation

Morimoto, T., Akbarinia, A., Storrs, K., Cheeseman, J. R., Smithson, H. E., Gegenfurtner, K. R., & Fleming, R. W. Human gloss perception reproduced by tiny neural networks. Nature Human Behaviour (2026). https://www.nature.com/articles/s41562-026-02445-0


Forschungsschwerpunkt Adaptive Kognition und Verhalten

Im Fokus des Schwerpunkts „Adaptive Kognition und Verhalten“ steht die Erforschung der grundlegenden Mechanismen von Wahrnehmung und flexibler Verhaltensanpassung in einer komplexen, sich ständig verändernden Umwelt. Mithilfe interdisziplinärer Methoden aus Psychologie, Neurowissenschaften und künstlicher Intelligenz untersuchen Wissenschaftlerinnen und Wissenschaftler die zugrunde liegenden neuronalen und rechnerischen Prozesse sowie deren Störungen bei psychischen Erkrankungen.


Kontakt

Justus-Liebig-Universität Gießen
Prof. Dr. Roland W. Fleming
Abteilung Allgemeine Psychologie

E-Mail: roland.w.fleming@psychol.uni-giessen.de