Эффективное моделирование потоков данных кодирования периферического зрения в системе человека

Efficient Dataflow Modeling of Peripheral Encoding in the Human Visual System
Morgan McGuire, Peter S. Shirley, Bruce Walter, Ruth E. Rosenholtz, Rachel Brown, Vasha DuTell, David P. Luebke
2022-11-09

вычисление потока данных (dataflow computation)кодирование окончившихся характеристик (end-stopped feature encoding)периферийное скопление (peripheral crowding)набор данных текстур периферии (peripheral texture perception dataset)модели pooling (pooling models)
Компьютерная графика ставит целью создание убедительных изображений в рамках вычислительного бюджета, ориентированных на конкретное устройство отображения и просматриваемых отдельным пользователем. Фовеальная природа человеческого зрения позволяет эффективно распределять вычисления и сжатие по соответствующим областям зрительного поля наблюдателя, что становится особенно важным с появлением дисплеев с высоким разрешением и широким углом обзора. Хотя вариации остроты зрения и чувствительности к контрасту по полю зрения хорошо изучены и смоделированы, более значимой является деградация периферического зрения в условиях загромождения, известная как «краудинг». Понимание периферического краудинга существенно продвинулось за последние годы как в феноменологическом, так и в модельном аспектах. Точное использование этих знаний критично для многих приложений, поскольку периферическое зрение охватывает большинство пикселей изображения. Мы развиваем вычислительные модели периферического зрения с прицелом на их применение в компьютерной графике. В частности, недавно разработанные высокоэффективные модели периферического краудинга, известные как «пулинг»-модели, хорошо предсказывают широкий спектр явлений, но вычислительно неэффективны. Мы реформулируем задачу как вычисление потока данных, что позволяет ускорить обработку и работать с более крупными изображениями. Кроме того, мы учитываем явное кодирование «концевых» (end-stopped) признаков в изображении, отсутствовавшее в предыдущих методах. Мы оцениваем нашу модель в контексте восприятия текстур на периферии, включая новый набор текстур и обновленные текстурные дескрипторы. Наше улучшенное вычислительное ядро может упростить разработку и тестирование более сложных и полных моделей в более надежных и реалистичных условиях, актуальных для компьютерной графики.
1
Оценка восприятия текстур в периферии использовала новый набор текстур и обновлённые текстурные дескрипторы, демонстрируя применимость к задачам восприятия текстур, важным для графики.
2
Существующие высокоэффективные «pooling» модели периферийного crowding предсказывают многие явления, но вычислительно неэффективны для больших изображений и приложений графики.
3
Периферийное «crowding» (ухудшение из‑за загромождения) является значимым эффектом в зрении человека, который необходимо моделировать для эффективной обработки большинства пикселей в графике.
4
Переформулировка задачи периферийного crowding как вычисления в виде потоков данных обеспечивает более быструю обработку и работу с большими изображениями, повышая вычислительную эффективность.
5
Предложенная модель явно кодирует «end stopped» признаки, что устраняет отсутствующий компонент в предыдущих методах периферийного crowding.

Механизмы периферического кодирования человеческой визуальной системы (модели периферного «краудинга» / pooling-модели)

Эффективное потоковое (dataflow) вычислительное моделирование и реализация периферического кодирования, включая pooling-основанный краудинг и кодирование end-stopped-признаков, для более быстрой и масштабируемой предсказательной модели восприятия текстур в периферии

Publication Details
Publication Date
2022-11-09
Journal
Publisher
ISSN
Cited by
6
Access Type
Author Information
Authors
Morgan McGuire
Peter S. Shirley
Bruce Walter
Ruth E. Rosenholtz
Rachel Brown
Vasha DuTell
David P. Luebke
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%