2017年,L. Chang & D. Tsao在《Cell》撰文发现, 猴子对图像脸孔的编码机制可以用一个50维参数空间的线性编码机制来很好近似，称之为Axis-model, 其中参数空间的前25维用来表示由视角引起的脸孔几何形状变化，另外25维表示光照变化。 本文发现，目前文献中报道的大量优秀的基于深度学习的脸孔识别方法，也可以用该50维参数空间的线性编码来很好近似。说明目前大量基于DNN的脸孔识别方法，也许本质上在于学习脸孔在参数空间中的一种线性表达，即可以近似认为是一种逆生成模型。

目前， 神经科学领域认为DNN是一种非常有前途的关于图像物体的神经表达的建模方法。本文从理论上分析表明，这种建模方法具有固有的表达不唯一性，从而在利用DNN进行图像物体的神经表达建模时，对这种“表达不唯一性”要给予足够的重视。