Visualisera Visual Anpassning

Summary

Den här artikeln beskriver en ny metod för att simulera och studera anpassning i det visuella systemet.

Abstract

Många tekniker har utvecklats för att visualisera hur en bild tycks en individ med en annan visuell känslighet: t ex på grund av optiska eller åldersskillnader, eller en färgbrist eller sjukdom. Detta protokoll beskriver en teknik för att införliva sensoriska anpassning i simuleringarna. Protokollet är illustrerad med exemplet i färgseende, men är generellt tillämpbar på varje form av visuell anpassning. Protokollet använder en enkel modell av människans färgseende baserad på standard och rimliga antaganden om retinal och kortikala mekanismer kodning färg och hur dessa justerar sin känslighet för både den genomsnittliga färgen och olika färg i den rådande stimulans. Förstärkningarna av mekanismerna är anpassade så att deras genomsnittliga reaktionen i ett sammanhang likställs för ett annat sammanhang. Simuleringarna hjälper avslöja de teoretiska gränserna för anpassning och generera "anpassade bilder" som är optimalt anpassade till en specifik environment eller observatör. De ger också en gemensam mått för att utforska effekterna av anpassning inom olika observatörer eller olika miljöer. Karakterisera visuell perception och prestanda med dessa bilder ger ett nytt verktyg för att studera funktioner och följderna av långsiktig anpassning i syn eller andra sensoriska system.

Introduction

Vad kan världen se ut till andra, eller till oss själva som vi förändra? Svaren på dessa frågor är av grundläggande betydelse för att förstå naturen och mekanismer för perception och konsekvenserna av både normala och kliniska variationer i sensorisk kodning. Ett brett utbud av tekniker och metoder har utvecklats för att simulera hur bilder kan tyckas individer med olika visuella känslighet. Till exempel, inkluderar dessa simuleringar av de färger som kan diskrimineras genom olika typer av färgbrister ^{1, 2, 3, 4,} de rumsliga och kromatiska skillnader som kan lösas av barn eller äldre observatörer ^{5, 6, 7, 8, 9} hur bilderna visas i det perifera seendet upp class = "xref"> 10, och konsekvenserna av optiska fel eller sjukdomar ^{11, 12, 13, 14.} De har också använts för att visualisera diskriminering som är möjliga för andra arter ^{15, 16, 17.} Vanligtvis sådana simuleringar använder mätningar av känslighetsförluster i olika populationer för att filtrera en bild och därmed minska eller ta bort den struktur de har svårt att se. Till exempel, vanliga former av färgblindhet speglar en förlust av ett av de två fotoreceptorer som är känsliga för medium eller långa våglängder, och bilder filtrerade för att ta bort deras signaler visas normalt saknar "röd-grönaktig" nyanser ^1. Likaså spädbarn har sämre synskärpa och därmed bilderna behandlas för sin reducerade rumsliga känslighet suddiga f. "> 5 Dessa tekniker ger ovärderliga illustrationer av vad en person kan se att en annan kanske inte men det gör de inte. - och ofta är inte avsedda att - skildra verkliga perceptuella upplevelsen av betraktaren, och i vissa fall kan förvränga mängd och typ av information tillgänglig för betraktaren.

Den här artikeln beskriver en ny teknik som utvecklats för att simulera skillnader i visuell upplevelse som innehåller en grundläggande egenskap hos visuell kodning - anpassning ^{18, 19.} Alla sensoriska och motoriska system justerar kontinuerligt till sammanhanget de utsätts för. En stickande lukt i ett rum snabbt bleknar, medan synen rymmer hur ljust eller dämpa rummet är. Viktigt dessa justeringar uppstår för nästan alla stimulans attribut, däribland "hög nivå" uppfattningar såsom egenskaperna hos någons ansikte ^20,class = "xref"> 21 eller deras röst ^{22, 23,} såväl som kalibrering motorkommandon som görs när flytta ögonen eller nå för ett föremål ^{24, 25.} I själva verket är anpassningen sannolikt en viktig egenskap hos nästan alla neural behandling. Denna uppsats visar hur att införliva dessa anpassningseffekter i simuleringar av utseendet på bilder genom att i princip "att anpassa bilden" att förutsäga hur det ser ut till en specifik observatör under ett specifikt tillstånd av anpassning ^{26, 27, 28, 29.} Många faktorer kan förändra känsligheten hos en observatör, men anpassningen kan ofta kompensera för viktiga aspekter av dessa förändringar, så att känslighetsförlusterna mindre iögonfallande än vad som skulle förutsägas utan antar att systemet anpassar sig. Omvänt, eftersomanpassning justerar känsligheten enligt gällande stimulans sammanhang dessa justeringar är också viktigt att införliva för att förutsäga hur mycket uppfattning kan variera när miljön varierar.

Följande protokoll visar tekniken genom att anpassa innehållet färg bilder. Färgseende har den fördelen att de initiala neurala stadierna av färgkodning är relativt väl förstådd, liksom mönstren för anpassning ^30. De faktiska mekanismer och justeringar är komplexa och varierade, men de huvudsakliga konsekvenserna av anpassningen kan fångas med hjälp av en enkel och konventionell tvåstegs modell (Figur 1a). I det första steget, är färgsignaler initialt kodas av tre typer av kon fotoreceptorer som är maximalt känsliga för kort, medium eller långa våglängder (S, M, och L-koner). I det andra steget, är signalerna från olika koner kombineras inom post-receptoral celler för att bilda "färg-motståndare" channels som tar emot antagonistiska insignaler från de olika konerna (och därmed förmedla "färg" information), och "icke-motståndare" kanaler som samman samman de koniska ingångar (sålunda kodning "ljusstyrka" information). Anpassning sker vid båda stegen, och justerar till två olika aspekter av färg - den genomsnittliga (i konerna) och variansen (i post-receptoral kanaler) ^{30, 31.} Målet med simuleringarna är att tillämpa dessa justeringar av modellmekanismerna och sedan återge bilden från deras anpassade utgångar.

Processen att anpassa bilder innebär sex huvudkomponenter. Dessa är en) väljer bilderna; 2) att välja formatet för bilden spektra; 3) som definierar förändringen i färg av miljön; 4) som definierar förändringen i känsligheten hos observatören; 5) med användning av programmet för att skapa de justerade bilder; och 6) med användning av bilderna för att utvärdera konsekvenserna av anpassningen. THan följer anser vart och ett av dessa steg i detalj. Den grundläggande modellen och mekanismsvaren illustreras i figur 1, medan Figurerna 2 - 5 visar exempel på bilder återges med modellen.

Protocol

OBS: Protokollet illustrerade använder ett program som gör att man kan välja bilder och sedan anpassa dem med alternativ som valts av olika rullgardinsmenyer.

1. Välj bilden att anpassa

1. Klicka på bilden och bläddra efter filnamnet på bilden för att arbeta med. Observera den ursprungliga bilden i övre vänstra rutan.

2. Ange de Stimulus och Observer

1. Klicka på menyn "format" för att välja hur man representera bilden och betraktaren.
2. Klicka på "standard observatör" för att modellera en standard eller genomsnittlig observatör anpassa sig till en specifik färg distribution. I detta fall använda vanliga ekvationer för att konvertera RGB-värden i bilden till kon känsligheter ^32.
3. Klicka på "individuell observatör" för att modellera spektrala känslighet för en specifik observatör. Eftersom dessa känsligheter är våglängdsberoende, program converts RGB-värdena för bilden i pistolen spektra genom att använda standard eller uppmätta emissionsspektra för displayen.
4. Klicka på "naturlig spektra" för att approximera faktiska spektra i världen. Detta alternativ omvandlar RGB-värden till spektra, exempelvis genom användning av standard basfunktioner ³³ eller Gaussisk spektra ³⁴ för att approximera den motsvarande spektrum för bildfärg.

3. Välj anpassning skick

1. Anpassa sig antingen samma observatör till olika miljöer (t.ex. till färgerna på en skog kontra urbana landskap), eller olika observatörer till samma miljö (t ex en normal kontra färg deficient observatör).
   1. I det förstnämnda fallet, använda menyer för att välja miljöer. I det senare, använda menyer för att definiera känsligheten hos observatören.
2. För att ställa in miljöer, välj "referens" och "test" invonments från rullgardinsmenyerna. Dessa styr de två olika tillstånd av anpassning genom att ladda mekanismen svaren för olika miljöer.
   1. Välj "referens" menyn för att styra startmiljön. Detta är miljön ämnet anpassas till medan du tittar på originalbilden.
      OBS: De val som visas har beräknas i förväg för olika miljöer. Dessa härrör från mätningar av färgomfång för olika samlingar av bilder. Till exempel, en applikation undersökt hur färgseende kan variera med förändringar i årstiderna, genom att använda kalibrerade bilder tagna från samma plats vid olika tidpunkter ^27. En annan studie, undersöka hur anpassningen kan påverka färg percepts på olika platser, representerade platser genom provtagning bilder av olika motivkategorier ^29.
   2. Välj "användardefinierade" miljö för att ladda de värden för en anpassad miljö. ObsErve ett fönster för att bläddra och välja en viss fil. För att skapa dessa filer för oberoende bilder, visa varje bild som ska ingå (som i steg 1) och klicka sedan på knappen "spara bild svar".
      OBS: Detta kommer att visa ett fönster där man kan skapa eller lägga till en Excel-fil som lagrar svaren på varje bild. För att skapa en ny fil, ange filnamnet eller bläddra efter en befintlig fil. För befintliga filer är svaren på den aktuella bilden till och svaren på alla bilder i genomsnitt automatiskt. Dessa genomsnitt matas in för referens miljön när filen med "användardefinierade" är markerat.
   3. Välj menyn "test" för att få tillgång till en lista över miljöer för bilden som ska justeras för. Välj "aktuella bilden" för att använda mekanismen svaren för den visade bilden.
      OBS: Detta alternativ förutsätter ämnena anpassar sig till färgerna i bilden som för närvarande visas. Annars välja en av tHan förberäknad miljöer eller "användardefinierade" för att ladda testmiljö.

4. Välj spektrala känslighet Observer

OBS: För effekterna av olika miljöer anpassningsåtgärder observatören vanligtvis förblir konstant och är inställd på default "standard observatör" med en genomsnittlig spektrala känslighet. Det finns 3 menyer för inställning av en individuell spektral känslighet, vilket kontrollera mängden screening pigment eller de spektrala känsligheter för observatören.

1. Klicka på menyn "lins" för att välja densiteten av linsen pigment. De olika alternativen tillåter en att välja densiteten kännetecknande för olika åldrar.
2. Klicka på menyn "macular" till på samma sätt välja densitet macular pigment. Följ dessa alternativ när det gäller topp densitet pigmentet.
3. Klicka på menyn "koner" för att välja mellan observatörer utanrmal trichromacy eller olika typer av avvikande trichromacy.
   OBS: Baserat på de val programmet definierar de koniska spektrala känsligheter för observatören och en uppsättning av 26 postreceptoral kanaler som linjärt kombinerar de koniska signalerna till ungefär likformigt prov olika färg- och ljusstyrkekombinationer.

5. Anpassa Image

1. Klicka på knappen "anpassa".
   OBS: Detta utför koden för beräkning av svaren från konerna och efter receptoral mekanismer för varje pixel i bilden. Svaret skalas så att medelvärdet svar på anpassning färgfördelningen är lika med de genomsnittliga svaren till referensfördelningen, eller så att den genomsnittliga responsen är samma för en individ eller referens observatör. Skalningen är multiplikativ att simulera von Kries anpassning ^35. Den nya bilden är sedan återges genom att summera mekanismen svaren och konvertera tillbaka till RGB-värden för visning. Information om algorithm ges i ^{26, 27, 28, 29.}
2. Observera tre nya bilder på skärmen. Dessa är märkta som 1) "inte anpassats" - hur testbild ska visas för någon helt anpassad till referens miljön, 2) "kon adaptation" - visar denna bilden justeras endast för anpassning i de receptorer; och 3) "full anpassning" - detta visar bilden som förutsägs av fullständig anpassning till förändringen i miljön eller observatören.
3. Klicka på "spara bilder" för att spara de tre beräknade-bilder. Beakta ett nytt fönster på skärmen för att bläddra till mappen och välj filnamnet.

6. utvärdera konsekvenserna av anpassning

OBS: Den ursprungliga referens- och anpassade bilderna simulera hur samma bild ska visas under de två delstaterna modelleras Adaptation, och viktigare, skiljer sig bara på grund av anpassningen staten. Skillnaderna i bilderna ger därmed insikt konsekvenserna av anpassning.

1. ser visuellt på skillnaderna mellan bilderna.
   OBS: Enkel kontroll av bilderna kan hjälpa visar hur mycket färgseende kan variera när de bor i olika färg miljöer eller hur mycket anpassning kan kompensera för en känslighets förändring i betraktaren.
2. Kvantifiera dessa anpassningsåtgärder effekter genom användning av analyser eller beteendemätningar med bilderna för att empiriskt utvärdera konsekvenserna av anpassningen ^29.
   1. Mät hur färg utseende förändras. Till exempel jämföra färgerna i de två bilderna för att mäta hur färgkategorier eller perceptuella framträdande förskjutning mellan olika miljöer eller observatörer. Till exempel analyser av förändringar i färg med anpassning använder för att beräkna hur mycket de unika nyanser (t.ex. rent gul eller blå) kan teoretiskt vari grund av variationer i betraktarens färgmiljö ^29.
   2. Fråga hur anpassningen påverkar visuella känslighet eller prestanda. Till exempel använder de justerade bilderna för att jämföra om visuell sökning för en ny färg är snabbare när observatörer först anpassas till färgerna i bakgrunden. Genomföra experimentet genom att överlagra på bilderna en array av mål och olikfärgade distraktorer som var anpassade tillsammans med bilderna, med reaktionstider som uppmätts för lokalisering av udda målet ^29.

Representative Results

Figurer till 2 - 4 illustrerar adaptions simuleringar för förändringar i observatören eller miljön. Figur 2 jämför den förutspådda utseende Cezanne stilleben med äpplen för en yngre och äldre observatör som skiljer sig endast i tätheten av linsen pigment ^28. Den ursprungliga bilden som betraktas genom den yngre ögat (fig 2a) visas mycket gulare och dimmer genom tätare pigmente lins (figur 2b). (De motsvarande förskjutningar i de genomsnittliga färg och kromatiska responser illustreras i figur 1c.) Emellertid anpassning till de genomsnittliga spektral förändring rabatter nästan alla av färgutseende förändring (Figur 2c). Den ursprungliga färgen svaret nästan helt återställd av anpassningen i konerna, så att efterföljande ändringar kontrast har försumbar effekt.

nt" fo: keep-together.within-sida = '1'> Figur 3 visar Van Gogh Irises filtrerades för att simulera färgutseende i en deuteranomalous observatör, vars normala M photopigment skiftas i topp känslighet till inom 6 nm för L photopigment ²⁸ . Anpassning i konerna igen justerar för medelvärdet stimulus kromaticitet, men L vs M kontras från de anomala pigmenten är svaga (figur 3b), komprimering av mekanismsvaren längs denna axel (fig 1d). det har föreslagits att van Gogh kan ha överdrivit användning av färg för att kompensera för en färgbrist, eftersom färgerna han porträtte kan verka mer naturligt när filtreras för en brist. Men kontrast anpassning till den minskade kontraster förutspår att bilden igen bör "verka" mycket lik den normal och onormal trichromat (figur 3c), även om den senare har mycket svagare inneboende känslighet för L ^{36, 37.}

Figur 4 visar simuleringar för en miljöförändring, genom att simulera hur dimmig bild porträtteras av Monets Sunrise (Marine) kan tyckas en observatör helt anpassad till diset (eller en artist helt anpassad till hans målning). Före anpassning bilden visas skumma och till stor del monokroma (figur 4a), och på motsvarande mekanismen svar på bildkontrasten är svaga (Figur 1e). Emellertid anpassning till både medelvärdet kromatiska förspänningen och den reducerade kromatiska kontrast (i detta fall för att matcha de mekanismsvaren för typiska utomhus scener) normaliserar och expanderar den upplevda färgskala, så att det är jämförbart medintervallet av färg percepts upplevt för väl upplysta utomhus scen (Figur 4b).

Slutligen, figur 5 illustrerar de två exempel som noterats i avsnitt 6,2 av protokollet för användning av modellen för att studera färgseendet. Figur 5a visar Munsell paletten enligt anpassning till en grönskande eller torra miljö, medan Figur 5b plottar förskjutningarna i paletten stimuli som krävs för att visas ren röd, grön, blå eller gul, när samma observatör är anpassad till en rad olika simulerade miljöer. Detta område är jämförbart med mätningar av faktiska stimulans utbud av dessa bränn färger mätt empiriskt i världen Color Survey ^29. Figur 5c visar istället hur en uppsättning av inbäddade färger visas före eller efter anpassning till en Martian landskapet. Anpassning av uppsättningen för bilden ledde till betydligt kortare reaktionstider för att finnaunika färger i en visuell sökuppdrag ^29.

Figur 1: Den Modell. a) Svaren modelleras för mekanismer med känsligheten hos konerna (som anpassar sig till den stimulans medelvärdet) eller postreceptoral kombinationer av konerna (som anpassar sig till den stimulans variansen. b) Varje postreceptoral mekanism är avstämd till en annan riktning i färg- luminans utrymme, såsom indikeras av vektorerna. För simuleringarna 26 mekanismerna beräknas, vilket prov utrymmet i 45 graders intervall (visas för L Vs. M och S Vs. LM-planet, och värdet L Vs. M och luminans-plan). c) Svaren på de mekanismer i equiluminant (L Vs. M och S Vs. LM) plan till bilderna i den övre och mellersta fältet i figur 2. Betyda kontrast svar är shegen vid 22,5 ° intervall till mer fullständigt beskriva fördelningen respons, även om modellen är baserad på kanaler på 45 ° intervall. I originalbilden (figur 2a) medelvärdet kromaticitet ligger nära till grått (0,0) och färger är förspända längs en blåaktig-gulaktig axel. Öka linstäthet av observatören alstrar en stor förändring i medelvärdet mot gult (figur 2b). d) Kontrast svar för de bilder som visas i figur 3a & 3b. De koniska kontraster i den ursprungliga (figur 3a) komprimeras längs L Vs. M axel för färgen deficient observatör (figur 3b). e) Kontrast svar för de bilder som visas i Figur 4a & 4b. De låga kontrastresponserna för den ursprungliga bilden (figur 4a) är expanderade följande anpassning, som matchar de genomsnittliga svaren på målningen till svaren fora färgfördelning som är typisk för utomhus naturliga scener (figur 4b). Klicka här för att se en större version av denna siffra.

Figur 2: Simulering följderna av Lens Aging. Cezannes stilleben med äpplen (a) behandlas för att simulera en åldrande lins (b) och anpassning till linsen (c). Digital bild artighet av Getty Open programinnehållet. Klicka här för att se en större version av denna siffra.

Figur 3: Simulating Anomalous Trichromacy. Van Gogh Irises (a) som simulerar den reducerade färgkontraster i en färg-deficient observatör (b), och den förutsagda framträdande i observatörer helt anpassad till den reducerade kontrasten (c). Digital bild artighet av Getty Open programinnehållet. Klicka här för att se en större version av denna siffra.

Figur 4: Simulering Anpassning till en låg kontrast miljö. Monets Sunrise (Marine). Den ursprungliga bilden (a) bearbetas för att simulera den färgutseendet för en observatör anpassad till de låga kontraster i scenen (b). Detta gjordes genom att justera känsligheten hos varje mekanism känslighet såatt den genomsnittliga responsen till färgerna i målningarna är lika med den genomsnittliga svar på färger som uppmätts för en samling av naturliga utomhus scener. Digital bild artighet av Getty Open programinnehållet. Klicka här för att se en större version av denna siffra.

Figur 5. Använda modellen för att undersöka Visual Performance. a) Paletten Munsell återges enligt anpassning till färgerna på en frodig eller torra miljö. b) Chips i paletten som ska visas ren röd, grön, blå eller gul efter anpassning till en rad olika färgmiljöer. Ljus skuggade symboler rita olika genomsnittliga chip val från världens språk Color Survey. c) Bilder av ytan avMars som de kan tyckas en observatör anpassad till jorden eller till Mars. Lagrade fläckar visar exempel på de stimuli som lagts till i visuell sökning uppgift, och innefattar en uppsättning av likformigt färgade distraktorer och en olikfärgad målet. d) I experimentet söktider mättes för att lokalisera den udda målet, och var avsevärt kortare inom de anpassade Mars-anpassade bilder. Klicka här för att se en större version av denna siffra.

Discussion

Den illustrerade protokollet visar hur effekterna av anpassning till en förändring i miljön eller observatören kan porträtteras i bilder. Formen denna skildring tar kommer att bero på de antaganden som görs för modellen - till exempel hur färgen kodas, och hur kodningsmekanismer reagera och anpassa sig. det viktigaste steget Således beslutar om modellen för färgseende - till exempel vad egenskaperna hos de hypoteser kanalerna är och hur de antas anpassa sig. De andra viktiga steg är att fastställa lämpliga parametrar för egenskaperna hos de två miljöerna, eller två observatörer känsligheter, som du anpassar mellan.

Modellen illustreras är mycket enkel, och det finns många sätt på vilket den är ofullständig och kan expanderas beroende på användningsområde. Till exempel, är färginformationen inte kodas oberoende av formen, och de illustrerade simuleringarna tar inte hänsyn till den rumsliga strukturen hosbilderna eller av neurala receptiva fält, eller av kända interaktioner över mekanismer såsom kontrast normalisering ^38. På samma sätt är alla pixlar i bilderna ges lika vikt och därmed simuleringarna inte införliva rumsliga faktorer såsom hur scener samplas med ögonrörelser. Anpassning i modellen antas också att representera enkel multiplikativ skalning. Detta är lämpligt för vissa former av kromatisk anpassning, men kan inte korrekt beskriva svars förändringar på post-receptoral nivåer. På liknande sätt, de kontrastgensvarsfunktioner i modellen är linjära och därför inte simulera de faktiska svarsfunktioner av neuroner. En annan viktig begränsning är att de illustrerade simuleringarna inte införliva buller. Om detta buller inträffar vid eller före ställena för anpassningen, därefter anpassning får justera både signal och brus och följaktligen kan ha mycket olika effekter på utseende och visuella prestanda ^39. Ett sätt attsimulera effekterna av brus är att introducera slumpmässiga störningar i stimulus ^28. Men detta kommer inte att efterlikna vad detta brus "ser ut" för en observatör.

Såsom föreslås av de illustrerade exemplen kan simuleringarna fånga många egenskaper hos färgupplevelse som inte är uppenbara när man överväger endast den spektrala och kontrastkänslighet på den observatör, särskilt funktionen för att belysa vikten av anpassning i normalisera färgperception och kompensera för känslighetsgränser av observatören. I detta avseende ger tekniken en rad fördelar och applikationer för att visualisera eller förutsäga visuella percepts. Dessa inkluderar följande:

Bättre Simuleringar av Variant Vision

Som nämnts, filtrera en bild till en annan känslighet avslöjar vad man upplever när information i bilden ändras, men gör mindre bra på att förutsäga vad enobservatör med att känsligheten skulle uppleva. Som ett exempel, en grå lapp filtrerades för att simulera gulnande linsen hos en äldre observatörens öga ser gulare ^9. Men äldre observatörer som är vana vid att deras äldre linser i stället beskriva och förmodligen bokstavligen se den stimulans som grå ^40. Som visas här, det är en naturlig följd av anpassning i det visuella systemet ^28, och på så sätt att införliva denna anpassning är viktigt för bättre visualisera en individs percepts.

En gemensam mekanism förutsäga skillnader mellan observatörer och mellan miljöer

De flesta simuleringsteknik är inriktade på att förutsäga förändringar i betraktaren. Men anpassningen är också rutinmässigt drivs av förändringar i världen ^{18, 19.} Individer nedsänkta i olika visuella miljöer (t.ex. urban Vs. landsbygden, eller arid Vs. frodig) exponeras för mycket olika mönster av stimulering som kan leda till mycket olika tillstånd av anpassning ^{41, 42.} Dessutom är dessa skillnader accentueras mellan individer som upptar olika nischer i en alltmer specialiserad och teknisk samhället (t.ex. en artist, radiolog, video game spelare eller dykare). Perceptuella lärande och kunnande har i stor utsträckning studerats och beror på många faktorer ^{43, 44, 45.} Men en av dessa kan vara enkel exponering ^{46, 47.} Till exempel, en redogörelse för "annan ras" -effekt, där observatörer är bättre på utmärkande ansikten med vår egen etnicitet, är att de är anpassade till de ansikten de möter vanligen ^{48, 49.} Anpassning ger en common mått för att utvärdera effekten av en känslighetsförändring Vs. stimulans förändring på perception, och därmed för att förutsäga hur två olika observatörer kan uppleva samma värld Vs. placerar samma observatör i två olika världar.

Utvärdera långsiktiga konsekvenserna av anpassning

Egentligen anpassar observatörer och sedan mäta hur deras känslighet och uppfattning förändring är en väletablerad och omfattande undersökt psyko teknik. Men dessa mätningar vanligtvis begränsad till kortsiktiga exponeringar som varar minuter eller timmar. Ökande bevis tyder på att anpassningen driver också över mycket längre tidsskalor som är mycket svårare att testa empiriskt ^{50, 51, 52, 53, 54.} Simulera anpassning har fördelen att trycka ADAPförandet stater att deras teoretiska långsiktiga gränser och därmed utforskar tidsramar som inte är praktiskt experimentellt. Det gör det också möjligt för att testa perceptuella konsekvenser av gradvisa förändringar som åldrande eller en progressiv sjukdom.

Utvärdera de potentiella fördelarna med anpassning

Ett relaterat problem är att medan många funktioner har föreslagits för anpassning, prestandaförbättringar ofta inte tydligt i studier av kortsiktiga anpassning och detta kan delvis bero på att dessa förbättringar uppstår endast över längre tidsskalor. Testa hur väl observatörer kan utföra olika visuella uppgifter med bilder som är anpassade för att simulera dessa tidsramar ger en ny metod för att utforska de perceptuella fördelar och kostnader för anpassning ^29.

Testa Mekanismer för Visual Coding och anpassning

Simuleringarna kan hjälpa till att visualisera och jämföra de båda olika modeller av visuell migchanisms och olika modeller för hur dessa mekanismer anpassa sin känslighet. Sådana jämförelser kan hjälpa avslöja den relativa betydelsen av olika aspekter av visuell kodning för visuell prestanda och perception.

Anpassning bilder observatörer

I den mån anpassningen hjälper en att se bättre, sådana simuleringar ger en potentiellt kraftfullt verktyg för att utveckla modeller för bildbehandling som bättre kan markera information för observatörer. Sådana bildförbättringstekniker är utbredd, men den nuvarande strategin är utformad för att justera en bild på ett sätt där själva hjärnan justerar, och på så sätt simulera de faktiska kodnings strategier som det visuella systemet utvecklats för att utnyttja. Förbehandling bilder på detta sätt kan i princip ta bort behovet av observatörer att visuellt anpassa sig till en ny miljö, genom att i stället justera bilder för att matcha anpassningen anger att observatörer är för närvarande i ^26,

Det kan tyckas orealistiskt att föreslå att anpassning kunde i praktiken rabatt nästan helt en känslighets förändring från våra percepts, men det finns många exempel där percepts förefaller opåverkad av dramatiska känslighet skillnader ^55, och det är en empirisk fråga hur fullständig anpassning är för alla enskilt fall - en som anpassade bilder kan också användas för att ta itu med. I vilket fall som helst, om målet är att visualisera den perceptuella upplevelsen av en observatör, då dessa simuleringar utan tvekan kommit mycket närmare karakterisera den erfarenheten än traditionella simuleringar baserade endast på att filtrera bilden. Dessutom ger de en ny verktyg för att förutsäga och testa konsekvenserna och funktioner av sensorisk anpassning ^29. Återigen denna anpassning är allestädes närvarande i sensoriska bearbetning och liknande modeller kan utnyttjas för att undersöka effekterna av anpassningen på andra visuella attribut och andra senses.

Materials

Name	Company	Catalog Number	Comments
Computer
Images to adapt
Programming language (e.g., Visual Basic or Matlab)
Program for processing the images
Observer spectral sensitivities (for applications involving observer-specific adaptation)
Device emmission spectra (for device-dependent applications)