Lightness and brightness characterized via decision spaces, in real and rendered scenes
Notice bibliographique
Résumé
Lightness and brightness have extensive research literatures, but their relationship is controversial. We used decision spaces to characterize them and to test computational models. In Experiment 1, we used a custom-built apparatus where adjustable reflectance patches were visible through two apertures, and illumination at the two apertures could be set independently. On each trial, reflectance and illuminance at the reference aperture were set to one of three settings. Reflectance and illuminance at the test aperture were randomly set to +/- 50% of the values at the reference aperture. In the lightness and brightness conditions, observers judged which aperture had a higher reflectance or luminance, respectively. For each of the three reference stimuli, we plotted the probability that the observer judged the test stimulus as lighter (or brighter), as a function of test reflectance and illuminance. Each such decision space was approximately divided in two by a straight line whose orientation varied across conditions. In the lightness task, the decision spaces were consistent with partial lightness constancy, with Thouless ratios around 0.80. In the brightness condition, Thouless ratios were lower, but decision spaces still indicated judgements closer to reflectance than to luminance judgements. In Experiment 2, we repeated this procedure with a rendering of the same apparatus on a monitor. Decision spaces were similar to those in Experiment 1, but indicated judgements more strongly influenced by luminance. Finally, we simulated computational models of lightness and brightness: ODOG, a high-pass model, a contrast normalization model, and two retinex models. All models’ decision spaces were highly inconsistent with those from human observers. We conclude that (a) lightness and brightness judgements are more similar than expected from previous work, (b) brightness is nothing like an estimate of luminance, and (c) current computational models can fail on even simple lightness and brightness judgements.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».