Deep learning models for lightness constancy can exploit both natural lighting cues and rendering artifacts.
Notice bibliographique
Résumé
We previously showed that deep learning models that estimate intrinsic image components (albedo and illuminance) outperform classic models on lightness constancy tasks. Here, we examine what cues these models rely on. We considered two cue types: natural features such as shadows and shading, and artifacts of ray tracing softwares, which typically produce a residual rendering noise that varies with local illumination. We rendered training, validation and test sets via (1) ray tracing (Blender/Cycles) with 128 photons sampled per pixel (high residual noise); (2) same as (1) but 1024 photons sampled (low noise); (3) Blender’s EEVEE renderer (rasterization engine, no noise). (Noise artifacts are also found in other ray tracing renderers, including Mitsuba.) Networks trained on EEVEE images showed similar performance on all three test sets (and performed much better than classic models), whereas networks trained on Cycles showed best performance with Cycles test images, and worst performance with EEVEE images. To assess dependence on naturalistic cues, we tested the networks on test images with various scene elements removed: (1) cast shadows on the floor; (2) shading; (3) all shadows and shading. In (3), no naturalistic lighting cues were available, and yet models trained on Cycles keep a partial, if low, constancy. These models were also almost unaffected by the removal of shadows and shading (less than 10% decrease in constancy). However, the model trained on EEVEE showed a 50% decrease in constancy when floor shadows were removed, and had lowest constancy in condition (3). These results show that widely used ray tracing methods typically produce artifacts that networks can exploit to achieve lightness constancy. When these artifacts are avoided, networks rely on more naturalistic lighting cues, and still exhibit human levels of constancy. Thus deep networks provide a promising starting point for image-computable models of human lightness and color perception.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».