在成人弱視的雙眼分視（Dichoptic）訓練中，視覺刺激的畫質與大腦神經抑制之間，存在一個極度反直覺的「U型悖論（U-shaped Suppression Curve）」：當患者觀看極致純粹的「無損畫質」，或充滿數位雜訊的「低畫質」時，弱視眼都會遭遇強烈的抑制；反而是經過中度壓縮、邊緣微幅柔化的「4K 20Mbps」影片，能讓雙眼最容易達成融合。
這並非測量誤差，而是初級視覺皮層（V1）在面對不同訊號特徵時，所展現的三種截然不同的神經物理機制。要突破弱視視力的天花板，必須徹底拆解這個現象底層的運作邏輯。
一、 無損畫質的高抑制：純粹訊號的「絕對壓制」
當我們透過本機端程式碼，渲染出完全未經壓縮的 Gabor Patch（例如恆定品質 CRF 12 的 H.264 檔案）時，影像具備完美的數學邊緣與極高的空間頻率。
從神經科學角度來看，這是引發標準「生理性競爭」的頂級刺激。初級視覺皮層（V1）中的神經元對極致的高頻邊緣極度敏感。當優勢眼接收到如此完美的訊號時，其神經激發率（Firing Rate）會瞬間達到 100% 滿載。
根據雙眼競爭與主動神經抑制（Interocular Suppression in Amblyopia）的相關研究，優勢眼神經元的強烈激發，會透過皮層內的抑制性神經元，向弱視眼釋放最高強度的 GABA（γ-胺基丁酸）抑制訊號。
• 本質： 這是「訊號過於完美」所觸發的壓制。大腦精準接收了高頻訊號，但受限於原有的權重不平衡，將武力全數交給了優勢眼。
二、 低畫質的高抑制：壓縮雜訊的「視覺遮蔽」
當訓練者觀看串流平台上高度壓縮的低畫質影片時，Gabor Patch 的邊緣會被破壞，產生大量區塊效應（Macroblocking）與色階斷層。
這些數位瑕疵在物理上構成了無意義的「假性高頻雜訊」。當優勢眼被這些混亂的雜訊填滿時，大腦會啟動另一種機制：視覺遮蔽效應（Visual Masking）。V1 皮層的運算資源被優勢眼傳來的強烈雜訊徹底佔用，導致弱視眼原本就微弱的訊號，直接被當作背景底噪過濾掉。
• 本質： 這是「雜訊干擾」導致的壓制。大腦在處理無效的數位垃圾，無法建立有效的高頻突觸連結。
三、 4K 20Mbps 的低抑制：「低通濾波」的意外平衡
為何 4K 20Mbps 的影片反而讓抑制大幅降低？因為這個位元速率的壓縮演算法，恰好形成了一個完美的「平滑化（Smoothing）濾鏡」。
1. 消除雜訊遮蔽： 20Mbps 的流量足以抹平嚴重的馬賽克與方塊，移除了低畫質帶來的「雜訊干擾」。
2. 削弱絕對銳利度： 演算法會捨棄最高頻的空間細節，使邊緣微幅柔化。因為邊緣不再如刀割般銳利，優勢眼 V1 神經元的激發率無法達到 100% 滿載（可能僅剩 80%）。
優勢眼處於「看得見，但未被極限激發」的狀態，輸出的抑制訊號自然減弱，弱視眼因此成功突破防線。這解釋了為何在此畫質下，雙眼最容易達成融合。
四、 破局之道：分離「訊號品質」與「訊號權重」
4K 20Mbps 創造的低抑制雖然舒適，但在神經訓練上卻是一個陷阱。
知覺學習（Perceptual Learning）的核心目的，是重建大腦處理極高頻空間細節的突觸連結。如果持續餵給大腦經過「柔化」的妥協訊號（Garbage in, garbage out），弱視眼永遠無法建立辨識極細微邊緣（如微小字體）的神經迴路。
真正的科學解法，必須嚴格區分「訊號品質（Quality）」與「訊號權重（Weight）」：
1. 堅持絕對無損： 捨棄 4K 20Mbps，全面採用本機渲染、具備 100% 數學純粹度的無損 Gabor Patch 影片作為基底。
2. 人為調降對比度： 針對無損畫質引發的高抑制，唯一的正確應對是在 VR 軟體端，單獨將優勢眼的對比度大幅調降（降至 20%~30%），並維持弱視眼的 100% 高對比。
透過軟體參數給優勢眼戴上物理枷鎖，同時確保弱視眼接收最頂級的高頻強刺激。在這種人為創造的「反向不平衡」下，迫使大腦在絕對純粹的數學圖形中重新分配視覺資源，Gabor Patch無損影片效果最好，但是太無聊，搭配4K20Mb高位元速率影片，比較能夠長期堅持。
