Modeling biases of perceived slant in curved surfaces
Notice bibliographique
Résumé
Veridical perception of surface slant is important to everyday tasks such as traversing terrain and interacting with or placing objects on surfaces. However, natural surfaces contain higher-order depth variation, or curvature, which may impact how slant is perceived. We propose a computational model which predicts that curvature, real or distortion-induced, biases the perception of surface slant. The model is based on the perspective projection of surfaces to form “retinal images” containing monocular and binocular texture cues (gradients) for slant estimation. Curvature was either intrinsic to the modelled surface or induced by non-uniform magnification i.e. radial distortion (typical in wide-angle lenses and head-mounted display optics). The resulting binocular and monocular texture gradients derived from these conditions make specific predictions regarding perceived surface slant. In a series of psychophysical experiments we tested these predictions using slant discrimination and magnitude estimation tasks. Our results confirm that local slant estimation is biased in a manner consistent with apparent surface curvature. Further we show that for concave surfaces, irrespective of whether curvature is intrinsic or distortion-induced, there is a net underestimation of global surface slant. Somewhat surprisingly, we also find that the observed biases in global slant are driven largely by the texture gradients and not by the concurrent changes in binocular disparity. This is due to vertical asymmetry in texture gradients of curved surfaces with overall slant. Our results show that while there is a potentially complex interaction between surface curvature and slant perception, much of the perceptual data can be predicted by a relatively simple model based on perspective projection. The work highlights the importance of evaluating the impact of higher-order variations on perceived surface attitude, particularly in virtual environments in which curvature may be intrinsic or caused by optical distortion.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».