破解大腦視覺抑制：Gabor Patch 的神經學機制與 VR 雙眼分視實作

Joey Nan-avatar-img
Joey Nan
發佈於成人弱視訓練紀錄
更新 發佈閱讀 18 分鐘

過去醫學界普遍認為，成年後的大腦視覺皮層發育定型，弱視（Amblyopia）與立體視覺的缺失將無法逆轉。然而，現代視覺科學已證實大腦在成年後依然具備強大的「神經可塑性（Neuroplasticity）」。透過特定的知覺學習（Perceptual Learning），重新喚醒初級視覺皮層（V1）的神經元是完全可行的。

其中，最核心的刺激源便是 Gabor Patch。但許多人嘗試利用 YouTube 上的免費影片進行訓練，卻往往徒勞無功。這並非理論失效，而是影像壓縮演算法摧毀了刺激源的數學精準度。本文將解析 Gabor Patch 的底層運作邏輯，並探討如何結合 Python 與 VR 裝置，建構真正有效的視覺訓練環境。

一、為什麼大腦需要 Gabor Patch？

初級視覺皮層（V1）中的神經元並非對所有視覺訊號都產生同等反應。這些神經元的「感受野（Receptive Field）」對特定的**空間頻率（Spatial Frequency）與方向（Orientation）**具有高度選擇性。

Gabor Patch  是一個數學函數圖形（正弦波乘上高斯包絡線），它的光影漸層與邊緣特徵，完美契合了 V1 神經元的激活條件。透過精準控制 Gabor Patch 的對比度與頻率，並使其產生動態相位偏移，能高強度且持續地刺激特定神經迴路。根據赫布理論（Hebbian Theory），反覆的同步激活將強化突觸連結，進而提升大腦處理視覺邊緣與低對比度訊號的效率。

二、串流媒體的致命傷：壓縮演算法如何抹殺神經可塑性

如果 Gabor Patch 是一把精準的手術刀，那 YouTube 等串流平台的影片壓縮技術就是將其鈍化的砂紙。

無論影片標示為 1080P 還是 4K，只要上傳至串流平台，伺服器必定會進行破壞性壓縮（如 VP9 或 AV1 編碼），以降低頻寬成本。在低位元速率（如 1Mbps）下，會產生以下破壞：

1. 高頻細節抹除： 演算法會優先丟棄高頻空間資訊，導致 Gabor 的銳利邊緣糊化。

2. 區塊效應（Macroblocking）： 畫面產生馬賽克方塊與色階斷層，大腦接收到的不再是純粹的數學圖形，而是充滿數位雜訊的錯誤訊號。

視覺訓練的底線在於像素級的絕對精準。充滿雜訊與失真的刺激，不僅無法建立有效的神經連結，甚至可能引發視覺疲勞與反效果。

三、打破抑制：VR 雙眼分視（Dichoptic Vision）的必要性

弱視的核心問題不在眼球，而在大腦。優勢眼會持續「抑制（Suppress）」非優勢眼的視覺訊號。傳統的「遮眼療法」對成年人成效不彰，因為它沒有解決雙眼競爭的問題。

現代臨床與實驗室的最佳實踐，是利用 Meta Quest 3 等 VR 頭戴裝置進行**雙眼分視（Dichoptic Vision）**訓練。透過軟體（如 AmblyoBye 或專屬開發環境），我們能精確控制雙眼的視覺輸入：

• 優勢眼： 僅給予極低對比度的背景或融合鎖（Fusion Lock）。

• 非優勢眼： 給予 100% 高對比度、動態漂移的 Gabor 刺激。

這種人為製造的「對比度失衡」，會強迫大腦同時處理雙眼資訊，從根本上瓦解神經抑制，重建立體視覺（Stereopsis）。

四、硬核實作：拒絕妥協的本機渲染與無損封裝

要達到實驗室等級的刺激，我們必須徹底屏棄串流，轉向「本機渲染」或「無損影片」。

如果使用 Python 自製視覺刺激，核心邏輯是生成 Side-by-Side (SBS) 格式的高解析度矩陣。以下是生成數學上完美 Gabor 的核心代碼：

Python

import numpy as np

# 透過矩陣運算，生成零壓縮失真的 Gabor Patch

def generate_gabor(size, lambda_, theta, sigma, phase, contrast=1.0):

x, y = np.meshgrid(np.arange(-size/2, size/2), np.arange(-size/2, size/2))

x_theta = x * np.cos(theta) + y * np.sin(theta)

y_theta = -x * np.sin(theta) + y * np.cos(theta)

envelope = np.exp(-(x_theta**2 + y_theta**2) / (2 * sigma**2))

sinusoid = np.cos(2 * np.pi * x_theta / lambda_ + phase)

return (envelope * sinusoid * contrast * 127.5 + 128).astype(np.uint8)

這是畫圖的程式碼:

import numpy as np

import matplotlib.pyplot as plt

import cv2



def generate_gabor(size, lambda_, theta, sigma, phase, contrast=1.0):

"""

生成 Gabor Patch 影像矩陣

參數說明：

size : 影像尺寸 (整數，例如 512 代表 512x512 像素)

lambda_ : 空間頻率的波長 (數值越小，條紋越密集)

theta : 條紋的傾斜方向 (弧度，例如 np.pi/4 為 45 度)

sigma : 高斯包絡線的標準差 (控制 Gabor 斑點的擴散範圍與大小)

phase : 相位偏移 (控制波紋的平移)

contrast : 對比度 (0.0 到 1.0)

"""

# 建立 X, Y 座標矩陣

x, y = np.meshgrid(np.arange(-size/2, size/2), np.arange(-size/2, size/2))

# 旋轉座標軸以符合 theta 角度

x_theta = x * np.cos(theta) + y * np.sin(theta)

y_theta = -x * np.sin(theta) + y * np.cos(theta)

# 計算高斯包絡線 (Gaussian Envelope)

envelope = np.exp(-(x_theta**2 + y_theta**2) / (2 * sigma**2))

# 計算正弦波 (Sinusoid)

sinusoid = np.cos(2 * np.pi * x_theta / lambda_ + phase)

# 將兩者相乘，並轉換為 0~255 的灰階影像像素值 (uint8 格式)

return (envelope * sinusoid * contrast * 127.5 + 128).astype(np.uint8)



# --- 實際應用與執行 ---

if __name__ == "__main__":

# 1. 設定 Gabor Patch 的參數

IMAGE_SIZE = 512 # 產生一張 512x512 的影像

WAVELENGTH = 30.0 # 條紋波長

ORIENTATION = np.pi / 4 # 條紋方向 (45度)

SIGMA = 60.0 # 光暈範圍

PHASE = 0.0 # 相位

CONTRAST = 1.0 # 100% 高對比度 (配合文章中提及的非優勢眼刺激)


# 2. 呼叫函式生成影像矩陣

gabor_img = generate_gabor(IMAGE_SIZE, WAVELENGTH, ORIENTATION, SIGMA, PHASE, CONTRAST)


# 3. 使用 matplotlib 將結果顯示出來

plt.figure(figsize=(5, 5))

plt.imshow(gabor_img, cmap='gray', vmin=0, vmax=255)

plt.title(f"Gabor Patch (Theta={ORIENTATION:.2f}, Lambda={WAVELENGTH})")

plt.axis('off') # 隱藏座標軸

plt.show()

這是畫影片的程式碼:

import numpy as np

import cv2

import os



def generate_gabor(size, lambda_, theta, sigma, phase, contrast=1.0):

"""

生成 Gabor Patch 影像矩陣

"""

# 建立 X, Y 座標矩陣

x, y = np.meshgrid(np.arange(-size/2, size/2), np.arange(-size/2, size/2))

# 旋轉座標軸以符合 theta 角度

x_theta = x * np.cos(theta) + y * np.sin(theta)

y_theta = -x * np.sin(theta) + y * np.cos(theta)

# 計算高斯包絡線 (Gaussian Envelope)

envelope = np.exp(-(x_theta**2 + y_theta**2) / (2 * sigma**2))

# 計算正弦波 (Sinusoid)

sinusoid = np.cos(2 * np.pi * x_theta / lambda_ + phase)

# 將兩者相乘，並轉換為 0~255 的灰階影像像素值 (uint8 格式)

return (envelope * sinusoid * contrast * 127.5 + 128).astype(np.uint8)



# --- 實際應用與動態影片生成 ---

if __name__ == "__main__":

# 1. 基本 Gabor 參數

IMAGE_SIZE = 512 # 產生一張 512x512 的影像

WAVELENGTH = 30.0 # 條紋波長

ORIENTATION = np.pi / 4 # 條紋方向 (45度)

SIGMA = 60.0 # 光暈範圍

CONTRAST = 1.0 # 100% 高對比度 (配合文章中提及的非優勢眼刺激)


# 2. 影片參數設定

FPS = 30 # 每秒 30 幀 (幀率)

DURATION = 5 # 影片長度 5 秒

TOTAL_FRAMES = FPS * DURATION

# 為了產生「漂移」效果，我們設定相位隨時間變化的速度

# 這裡設定在 5 秒內完整漂移 4 個週期 (4 * 2*pi)

DRIFT_CYCLES = 4

total_phase_shift = DRIFT_CYCLES * 2 * np.pi

phase_per_frame = total_phase_shift / TOTAL_FRAMES


# 3. 影片寫入器設定 (建立 MP4 檔案)

FILENAME = 'gabor_drifting_base.mp4'

# 定義編碼器。對於一般的 MP4 檔案，'mp4v' 是一個常見的編碼器

fourcc = cv2.VideoWriter_fourcc(*'mp4v')

# 建立 VideoWriter 物件

# 參數說明: 檔名, 編碼器, FPS, 影像尺寸 (寬, 高), 是否為彩色

video_writer = cv2.VideoWriter(FILENAME, fourcc, FPS, (IMAGE_SIZE, IMAGE_SIZE), isColor=False)


print(f"正在生成動態 Gabor 影片: {FILENAME}，共 {TOTAL_FRAMES} 幀...")


# 4. 開始執行迴圈，生成每一幀並寫入影片

current_phase = 0.0

for frame_count in range(TOTAL_FRAMES):

# A. 呼叫函式生成該時刻的 Gabor 圖片

gabor_frame = generate_gabor(IMAGE_SIZE, WAVELENGTH, ORIENTATION, SIGMA, current_phase, CONTRAST)

# B. 將圖片寫入影片檔

video_writer.write(gabor_frame)

# C. 更新相位，讓下一幀的紋理產生微小的移動

current_phase += phase_per_frame

# 可選：顯示進度

if (frame_count + 1) % 30 == 0:

print(f"已完成 {frame_count + 1} / {TOTAL_FRAMES} 幀...")


# 5. 釋放資源 (重要：不釋放的話影片檔會損壞無法讀取)

video_writer.release()

print("-" * 30)

print(f"成功！基礎影片已存至: {os.path.abspath(FILENAME)}")


然而，即便用 OpenCV 輸出 MP4，預設編碼仍會產生微小瑕疵。最終的關鍵步驟，是使用 FFmpeg 進行無損封裝，強制給予極高位元速率（例如 -crf 12 視覺無損標準）：

Bash

ffmpeg -i Gabor_Base.mp4 -c:v libx264 -preset slow -crf 12 Gabor_Lossless.mp4

將這份絕對銳利、無損的檔案存入 VR 裝置中進行本機播放，並配合正確的分視遮罩機制，才是真正具備神經學意義的視覺訓練。

參考文獻與進階閱讀：

1. Polat, U., et al. (2004). Improving vision in adult amblyopia by perceptual learning. Proceedings of the National Academy of Sciences (PNAS). （探討 Gabor Patch 與知覺學習對成年弱視的顯著改善成效）

2. Hess, R. F., et al. (2010). A new binocular approach to the treatment of amblyopia in adults well beyond the critical period of visual development. Restorative Neurology and Neuroscience. （證實雙眼分視 / Dichoptic 訓練在打破大腦神經抑制上的關鍵作用）

3. Levi, D. M., & Li, R. W. (2009). Perceptual learning as a potential treatment for amblyopia: a mini-review. Vision Research. （回顧知覺學習作為弱視潛在療法的臨床數據與底層機制）



Joey Nan的筆記成人弱視訓練紀錄
留言
avatar-img
Joey Nan的筆記
5會員
206內容數
看見清晰的未來｜一個成人弱視者的自我修復與大腦科學筆記 我是 Joey，一個在生活中不斷嘗試的實驗者。 這個筆記的起點，源於我對**「恢復視力」的一份初心。我嘗試透過 VR 裝置與科學訓練法，重新與我的大腦和雙眼對話。這不僅是一份復健紀錄，更是一次我對神經可塑性**的親身探索。
Joey Nan的筆記的其他內容
2026/03/30
成人視覺重塑的物理節點：後腦緊緻感與 0.9 視力的神經科學意義
當雙眼裸視勉強觸及 0.9 的視標，且伴隨後腦明顯的緊緻與微酸感時，這並非單純的眼部肌肉疲勞，而是大腦初級視覺皮層（V1）正經歷高強度突觸重塑的直接物理證據。在經歷長期的雙眼視差訓練後，這個現象標誌著神經迴路的重建已跨越硬體連通的關鍵門檻。 本文將結合神經影像學與知覺學習（Perceptual L
2026/03/30
成人視覺重塑的物理節點：後腦緊緻感與 0.9 視力的神經科學意義
當雙眼裸視勉強觸及 0.9 的視標，且伴隨後腦明顯的緊緻與微酸感時，這並非單純的眼部肌肉疲勞，而是大腦初級視覺皮層（V1）正經歷高強度突觸重塑的直接物理證據。在經歷長期的雙眼視差訓練後，這個現象標誌著神經迴路的重建已跨越硬體連通的關鍵門檻。 本文將結合神經影像學與知覺學習（Perceptual L
2026/03/30
神經視覺訓練的開源管線：4K 影片無損轉換與版權避險指南
在成人弱視的視覺重建過程中，當訓練進階至強迫雙眼 50%:50% 權重分配時，大腦初級視覺皮層（V1）需要的是絕對純淨、毫無壓縮雜訊的「高頻邊緣訊號」。這意味著必須輸入 20Mbps 以上的高位元率 4K 影片。 然而，實戰中立刻會遭遇技術瓶頸：從 YouTube 下載的高畫質 4K 檔案通常是
2026/03/30
神經視覺訓練的開源管線：4K 影片無損轉換與版權避險指南
在成人弱視的視覺重建過程中，當訓練進階至強迫雙眼 50%:50% 權重分配時，大腦初級視覺皮層（V1）需要的是絕對純淨、毫無壓縮雜訊的「高頻邊緣訊號」。這意味著必須輸入 20Mbps 以上的高位元率 4K 影片。 然而，實戰中立刻會遭遇技術瓶頸：從 YouTube 下載的高畫質 4K 檔案通常是
2026/03/29
成人弱視 VR 訓練的隱藏變數：影片總位元速率 (Bitrate)
在成人弱視的知覺學習（Perceptual Learning）與 VR 視覺訓練中，決定大腦神經重塑效率的絕對物理指標：總位元速率（Total Bitrate，單位 Mbps）。解析度決定的是畫面的「容器大小」，而位元速率決定的才是每一秒鐘填入容器的「有效資訊密度」。 本文將從神經視覺科學與影像編
2026/03/29
成人弱視 VR 訓練的隱藏變數：影片總位元速率 (Bitrate)
在成人弱視的知覺學習（Perceptual Learning）與 VR 視覺訓練中，決定大腦神經重塑效率的絕對物理指標：總位元速率（Total Bitrate，單位 Mbps）。解析度決定的是畫面的「容器大小」，而位元速率決定的才是每一秒鐘填入容器的「有效資訊密度」。 本文將從神經視覺科學與影像編
看更多