본 논문은 기존 비전 모델들이 주로 국소적인 질감 정보에 의존하여 취약하고 구성적이지 않은 특징을 생성하는 반면, 인간은 국소적인 질감 정보와 객체 부분의 구성 모두를 바탕으로 객체를 인식한다는 점을 지적합니다. 기존의 형태 대 질감 편향 연구는 형태와 질감 표현을 대립적으로 설정하여 형태를 질감에 대한 상대적인 것으로 측정하고, 모델(및 인간)이 두 유형의 단서를 동시에 활용할 수 있는 가능성과 두 유형의 표현의 절대적인 품질을 간과했습니다. 따라서 본 논문에서는 형태 평가를 구성적 능력의 절대적인 문제로 재구성하고, 구성적 형태 점수(CSS)를 통해 이를 구현합니다. CSS는 국소적인 질감은 유지하면서 전역적인 부분 배열을 바꿔 다른 객체 범주를 묘사하는 객체-애너그램 쌍의 이미지를 모두 인식하는 능력을 측정합니다. 86개의 합성곱, 변환기 및 하이브리드 모델에 대한 분석을 통해, CSS는 광범위한 구성적 민감도를 드러내며, DINOv2, SigLIP2 및 EVA-CLIP과 같은 완전 자기 지도 학습 및 언어 정렬 변환기가 CSS 스펙트럼의 최상위를 차지합니다. 기전적 조사를 통해 고 CSS 네트워크는 장거리 상호 작용에 의존하며, 반경 제어 주의 마스크는 성능을 없애고 독특한 U자형 통합 프로필을 보여주고, 표상 유사성 분석은 국소적에서 전역적 코딩으로의 중간 깊이 전환을 보여줍니다. BagNet 제어는 우연적인 수준에 머물러 "경계 해킹" 전략을 배제합니다. 마지막으로, 구성적 형태 점수는 다른 형태 의존적 평가도 예측합니다. 결론적으로, 진정으로 강력하고 일반화 가능하며 인간과 유사한 비전 시스템을 향한 경로는 형태와 질감 사이의 인위적인 선택을 강요하는 것이 아니라 국소적 질감과 전역적 구성적 형태를 원활하게 통합하는 아키텍처 및 학습 프레임워크에 있을 수 있다고 제안합니다.
