Human lightness perception is guided by simple assumptions about reflectance and lighting
Notice bibliographique
Résumé
Two successful approaches to understanding lightness perception that have developed along largely independent paths are anchoring theory and Bayesian theories. Anchoring theory is a set of rules that successfully predict lightness percepts under a wide range of conditions (Gilchrist, 2006). Some of these rules are difficult to motivate, e.g., larger surfaces tend to look lighter than small surfaces. Bayesian theories rely on probabilistic assumptions about lighting and surfaces, and model percepts as rational inferences from these assumptions combined with sensory data. Here I reconcile these two approaches by showing that many rules of anchoring theory follow from simple, realistic assumptions about lighting and reflectance. I describe a Bayesian theory that makes the following assumptions. (1) Reflectances follow a broad, asymmetric normal distribution that is skewed towards low reflectances. (2) Lighting consists of multiplicative and additive components (Adelson, 2000). (3) The proportion of additive light tends to be low. These assumptions predict the main rules of anchoring theory, including: (a) The highest luminance in a scene usually looks white (anchoring to white), and (b) other luminances have lightnesses that are approximately proportional to luminance. (c) A perceived reflectance range of less than 30:1 is adjusted towards 30:1 (scale normalization). (d) When a low-luminance region becomes larger, its lightness increases, and the lightness of all other regions also increases (area rule). (e) The luminance threshold for glow increases with patch size. (f) Lightness percepts do not change when all luminances in an image are multiplied by a common scale factor. (g) Lightness constancy is better in scenes containing many distinct luminance patches (articulation). Thus anchoring theory can be formulated naturally in a Bayesian framework, and many seemingly idiosyncratic properties of lightness perception emerge as rational consequences of simple, realistic assumptions about lighting and reflectance. Meeting abstract presented at VSS 2013
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».