3D Faces Evoke Stronger fMRI Activation than 2D Faces
Notice bibliographique
Résumé
Despite behavioural evidence that three-dimensional (3D) faces are processed more accurately and quickly than two-dimensional (2D) faces, functional magnetic resonance imaging (fMRI) studies of face processing typically rely on 2D images of faces. Moreover, fMRI studies of 3D vision typically use random dot stereograms, a highly unnatural stimulus. Given the importance of stereopsis in 3D form perception, we expected that neural activation would differ for 3D faces and 2D faces not only in dorsal-stream areas previously implicated in processing depth for simple visual stimuli, but also within face-selective areas in the ventral stream. We used fMRI to investigate brain activation for images of real people presented orthostereoscopically (at the geometrically correct distance and size) with high-quality displays (using a PROPixx MRI 3D projector, viewed through polarized glasses and first-surface mirrors). In the 2D condition, the same image was presented to both eyes, producing zero disparity, as when viewing a 2D picture. In the 3D condition, stereopairs were presented separately to each eye. Stimuli were presented in a block design with a one-back task to maintain attention. Localizers were used to identify face- and depth-preferring regions of interest. Higher activation for 3D than 2D faces was observed not only in depth-selective occipitoparietal cortex (in the caudal intraparietal sulcus) but also in fusiform and occipital face areas, demonstrating that depth information affects processing in both visual streams. Our results suggest that while pictures are a reasonable proxy for studying faces in the real world, models of face processing should consider the impact of 3D form in tasks like face recognition. Moreover, this approach opens new avenues for investigating the contribution of 3D information to category-specific responses in high-level vision.
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 | 0,000 | 0,001 |
| 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) | 0,007 | 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 ».