Human lightness perception is guided by simple assumptions about reflectance and lighting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 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 assumptions about lighting and reflectance. I describe a Bayesian theory that makes the following assumptions. (1) Reflectances follow a broad, asymmetric normal distribution. (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 looks white, and (b) other luminances have lightnesses that are proportional to luminance. (c) A reflectance range less than 30:1 is adjusted towards 30:1. (d) When a low-luminance region becomes larger, its lightness increases, and the lightness of all other regions also increases. (e) The luminance threshold for glow increases with patch size. (f) Lightness constancy is better in scenes containing many distinct luminance patches. Thus anchoring theory can be formulated naturally in a Bayesian framework, and seemingly idiosyncratic properties of lightness perception are rational consequences of simple assumptions about lighting and reflectance. Meeting abstract presented at OSA Fall Vision 2012
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.
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 découle