研究目的
通过研究估算目标物体的光反射率因子（LRF）如何依赖于自然场景中关键属性的变化——包括目标物体反射率、照明光谱和背景物体反射率——来理解支持稳定颜色感知的计算机制。
研究成果
研究表明，在受控条件下亮度恒常性可通过计算实现高精度还原，在最接近真实场景的条件（条件3）下估算值与真实光反射系数（LRF）的偏差不超过13%。对比度归一化能显著改善性能，有效缓解光照强度变化的影响。该框架揭示了场景变异性对恒常性的影响机制，未来可扩展研究材料属性、更大空间尺度等附加因素。后续工作需关联人类心理物理学表现，并推广至全色度恒常性研究。
研究不足
该研究采用渲染的虚拟场景，可能无法捕捉真实自然场景中所有与任务相关的变化。这些场景仅限于无镜面反射的哑光表面，且物体形状、光照几何等几何因素被固定不变?？占涑叨认拗圃?×1度视角范围内，未能利用更大范围的空间信息。照明和反射率的统计模型基于特定数据集（格拉纳达日光、孟塞尔、弗雷尔），可能无法完全代表自然变化。研究发现二次反射影响极小，但未涉及材料特性等其他复杂因素。
1：实验设计与方法选择：
本研究采用监督式统计学习方法（具体为精度最大化分析AMA），通过学习最优线性感受野来从视锥细胞激发中估算LRF。研究方法包括利用计算机图形渲染生成自然图像的标记数据集、模拟人类视锥光感受器响应，并应用AMA进行降维与最优解码。
2：样本选择与数据来源：
通过固定基础场景中的球形目标物体生成自然场景数据集。研究设定了三种光谱变异条件：条件1（仅目标物体相对反射率变化）、条件2（目标物体反射率与照明光谱共同变化）、条件3（目标物体反射率、照明光谱及背景物体反射率均变化）。各条件包含1,000至3,000张图像。
3：实验设备与材料清单：
研究使用计算机软件与统计模型，关键工具包括Virtual World Color Constancy渲染包、RenderToolbox4、Mitsuba渲染器、用于模拟视锥激发的ISETBio以及AMA分析包。未提及物理设备，全部为计算实现。
4：Mitsuba渲染器、用于模拟视锥激发的ISETBio以及AMA分析包。未提及物理设备，全部为计算实现。 实验流程与操作步骤：
4. 实验流程与操作步骤：包括：基于自然光照与表面反射率的统计模型生成具有可控光谱变异的标记训练图像；渲染多光谱图像；通过早期视觉系统模型（含光学模糊与视锥镶嵌）模拟视锥激发；将视锥激发处理为对比度归一化表征；在训练集（90%数据）上运用AMA学习最优感受野；使用相对均方根误差评估测试集（10%数据）的解码性能。
5：数据分析方法：
采用相对均方根误差（相对RMSE）量化性能。AMA通过Kullback-Leibler散度成本函数实现最优估计?；叻椒ò允幼都し⒌南咝曰毓榧捌铀啬Ｐ?。统计分析采用多元高斯模型建模条件响应分布以实现贝叶斯解码。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Virtual World Color Constancy
BrainardLab
Rendering package for generating naturalistic scenes and images with controlled spectral variations.
-
RenderToolbox4
rendertoolbox.org
Software package for rendering and managing scene models, used in conjunction with Mitsuba.
-
Mitsuba
mitsuba-renderer.org
Open-source computer graphics renderer for producing physically accurate images from scene models.
-
ISETBio
isetbio.org
Software infrastructure for simulating cone excitations and early visual system processes.
-
AMA analysis package
BrainardLab
Implementation of accuracy maximization analysis for learning optimal receptive fields and decoding responses.
-
登录查看剩余3件设备及参数对照表
查看全部
