自然场景表征的皮质模型：3D视觉计算的前沿探索

### 自然场景表征的皮质模型：3D视觉计算的前沿探索 #### 1. 3D LAMINART模型概述 3D LAMINART模型旨在解释和预测感知与神经生物学数据，聚焦于层状皮质机制如何相互作用以创建3D边界和表面表征。在处理自然场景时，该模型面临着诸多挑战，主要包括： - 3D边界常常不完整，这可能是由于图像采集过程中的噪声，或者在某些边界位置缺乏相同极性的匹配。 - 杂乱场景中存在大量产生错误双目匹配的可能性。 为应对这些挑战，增强后的模型具有更对称的全局解剖结构，涉及V1中斑点与斑点间的相互作用，V2中细条纹与淡条纹的相互作用，以及V2细条纹和淡条纹中的视差滤波器。视差滤波器的存在是该模型的一个重要预测。同时，V2中存在的长距离双极样相互作用以及短距离循环抑制相互作用，与双极分组和视差滤波器对虚假边界视线抑制的需求相契合。这些相互作用共同揭示了边界和表面皮质流如何相互协作，克服彼此的计算缺陷，从而产生具有互补一致性的有意识视觉感知。 #### 2. 与其他3D视觉生物模型的比较 除了3D LAMINART模型，还有一些其他的3D视觉生物模型被提出。其中，著名的能量模型包含V1中的双目复杂细胞，并能预测猫的复杂细胞双目感受野的形状。尽管能量模型的变体，如结合相位和位置偏移来计算视差的模型，已成功应用于一些立体计算的前端，但它们不足以解释3D边界分组和表面表征如何形成并导致有意识的感知，如随机点立体图、达·芬奇立体视觉、帕努姆极限情况、透明度和双稳态感知等，而3D LAMINART模型能够对这些感知进行解释和模拟。 |模型名称|特点|能否解释特定感知现象| | ---- | ---- | ---- | |能量模型|包含V1双目复杂细胞，预测猫复杂细胞双目感受野形状|否| |3D LAMINART模型|考虑层状皮质机制相互作用，有对称全局解剖结构|能| #### 3. 模型扩展方向 为了进一步提升模型性能，可从以下几个方面对模型进行扩展： - **纳入倾斜和倾斜表面计算**：将边界和表面计算扩展到能够表示深度中的倾斜和倾斜表面。例如，双极细胞可以推广为视差梯度细胞和角度细胞。视差梯度细胞能够表示跨越多个深度的边界，角度细胞则对直边之间的特定角度有选择性激活。这些细胞的相互作用可以消除对2D图片和3D场景中模糊倾斜的歧义。 - **引入空间注意和眼动控制机制**：大脑利用空间注意和眼动来固定场景中的感兴趣区域。由于皮质放大因子的存在，中央凹外区域的视觉分辨率较低，而中央凹区域可以提供更高的分辨率。当前模型在处理复杂自然场景时，用于解决局部模糊像素和双目匹配的像素数量有限。通过引入空间注意和眼动控制机制，如ARTSCAN神经模型及其改进版本，利用对数极坐标映射处理图像，结合简化的3D LAMINART前端，可以模拟大脑如何学习不变的对象类别表征，用于对象注意、识别和预测。 mermaid格式流程图如下： ```mermaid graph LR A[输入图像] --> B[对数极坐标映射] B --> C[简化3D LAMINART前端处理] C --> D[学习不变对象类别表征] ```