Lightness constancy can be very weak in an immersive VR environment
Notice bibliographique
Résumé
Previous studies have revealed important differences between how viewers perceive real and virtual scenes. Virtual reality (VR) plays a growing role in performance-critical applications such as medical training and vision research, and so it is crucial to characterize perceptual differences between real and VR environments. We compared lightness constancy in real and VR environments. We used a demanding task that required observers to compensate for the orientation of a reference patch relative to a light source in a complex scene. On each trial the reference patch had reflectance 0.40 or 0.58, and a range of 3D orientations (azimuth -50º to 50º). Ten observers adjusted a grey match patch to match the perceived grey of the reference patch. We used a custom-built physical apparatus, and four VR conditions: All-Cues (replicated the physical apparatus); Reduced-Depth (zero disparity, no parallax); Shadowless (no cast shadows); and Reduced-Context (no surrounding objects). Scenes were rendered in Unity and shown in a Rift S headset. Surprisingly, constancy was weak, and approximately the same in all conditions. The mean Thouless ratio (0= no constancy, 1= perfect constancy) was 0.40, with no significant differences between conditions. The above-zero constancy in the Reduced-Context condition, with no cues to support constancy, suggested that observers learned environmental lighting cues in some conditions and transferred this knowledge to other conditions. Accordingly, we re-tested the All-Cue and Reduced-Context conditions in VR, with 10 new observers per condition, and each observer ran in just one condition. Here we found substantially reduced constancy (average Thouless ratio 0.14). We conclude that lightness constancy can be weak in VR, and that observers may use lighting information from real environments to guide performance in virtual environments. We are currently developing experiments with high-performance VR configurations to test whether constancy improves with more realistic rendering of lights and materials.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».