Can deep neural networks for intrinsic image decomposition model human lightness constancy?
Notice bibliographique
Résumé
A challenge in vision science is understanding how the visual system parses the retinal image to represent intrinsic properties of scenes, such as surface reflectance and lighting. Deep learning networks have provided successful new approaches to inferring intrinsic images, and here we investigate these networks as models of human lightness constancy. We examined two state-of-the-art architectures for intrinsic image decomposition (Yu & Smith, 2019; Li et al., 2020), trained on photorealistic images of synthetic scenes. To compare network and human performance, we measured the networks’ estimates of surface reflectance using Mondrian patterns embedded in an indoor scene. A reference patch was shown under a fixed illuminant, and multiple test patches were shown under five different illumination levels. At each illumination level, we rendered 17 reflectance levels of the test patch and interpolated the networks' estimates for each to find a reflectance match to the reference, thus probing the networks’ lightness constancy. We repeated this procedure for three different reference reflectances. We also tested human observers in a corresponding lightness matching task, using the same stimuli presented with a virtual reality display. Human observers showed good lightness constancy, with an average constancy index (CI) of 0.81 across all stimuli. They were also consistent across conditions, with CI standard deviations around 0.10 across reflectance and lighting conditions. The deep learning networks, however, showed poor reflectance constancy, with an average CI of 0.19. Qualitative analysis suggests that the networks often misinterpreted lighting changes as reflectance changes. The networks were also less consistent than humans, with CI standard deviations of 0.34 and 0.21 across reflectance and lighting conditions, respectively. These results show that these deep learning networks do not fully model human lightness constancy. We will discuss potential strategies to address this shortcoming, as well as proposals for further benchmarking such networks.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».