본 논문은 심층 학습 모델의 이미지 분류 성능 향상을 위해 인지 심리학에서 연구된 기하학적 착시를 활용하는 새로운 방법을 제시합니다. 기하학적 착시를 포함하는 합성 데이터셋을 생성하고, 이를 ImageNet 분류 작업과 결합하는 세 가지 다중 소스 학습 전략을 평가했습니다. 실험 결과, 착시 인식 작업을 추가적인 지도 학습으로 활용하면, 특히 복잡한 윤곽과 미세한 질감을 포함하는 어려운 시각적 사례에서 일반화 성능이 향상됨을 보였습니다. 또한, 합성 자극에서 유래한 인지적으로 유도된 귀납적 편향이 CNN과 Transformer 기반 아키텍처 모두의 구조적 민감도를 향상시킬 수 있음을 확인했습니다. 이는 인지 과학과 기계 학습의 새로운 통합을 보여주는 결과이며, 시각 모델 설계에 인지적 사전 지식을 통합하는 새로운 방향을 제시합니다.
