本文提出了一种新方法，利用认知心理学中研究的几何错觉来提升深度学习模型的图像分类性能。我们生成了一个包含几何错觉的合成数据集，并评估了三种将其与 ImageNet 分类任务相结合的多源学习策略。实验结果表明，将错觉识别任务作为一项额外的监督学习任务可以提升泛化性能，尤其对于涉及复杂轮廓和精细纹理的复杂视觉样本而言。此外，我们还证明了由合成刺激产生的认知诱导归纳偏差可以增强 CNN 和基于 Transformer 的架构的结构敏感性。这些结果展现了认知科学与机器学习的全新融合，并为将认知先验知识融入视觉模型设计指明了新的方向。
