[论文解读] Biologically Inspired Dynamic Textures for Probing Motion Perception

Jonathan Vacher, Andrew Isaac Meso+2 more|arXiv (Cornell University)|Nov 9, 2015

Visual perception and processing mechanisms参考文献 18被引用 6

一句话总结

本文提出了一种基于随机偏微分方程（sPDEs）的生物启发生成模型——运动云（Motion Clouds），用于合成具有时空调制特性的平稳高斯随机场。该模型基于运动感知的贝叶斯推断框架，揭示了基于最大似然估计（MLE）的最优速度估计无法解释人类感知偏差，而这些偏差需要一个具有非递减方差的有学习能力的先验分布，从而挑战了标准推断模型。

ABSTRACT

Perception is often described as a predictive process based on an optimal inference with respect to a generative model. We study here the principled construction of a generative model specifically crafted to probe motion perception. In that context, we first provide an axiomatic, biologically-driven derivation of the model. This model synthesizes random dynamic textures which are defined by stationary Gaussian distributions obtained by the random aggregation of warped patterns. Importantly, we show that this model can equivalently be described as a stochastic partial differential equation. Using this characterization of motion in images, it allows us to recast motion-energy models into a principled Bayesian inference framework. Finally, we apply these textures in order to psychophysically probe speed perception in humans. In this framework, while the likelihood is derived from the generative model, the prior is estimated from the observed results and accounts for the perceptual bias in a principled fashion.

研究动机与目标

• 基于生物合理性与公理化原则，开发一种用于探究运动感知的动态纹理生成模型。
• 通过源自随机偏微分方程的生成模型，将运动感知形式化为贝叶斯推断问题。
• 检验基于最大似然估计（MLE）的最优速度估计是否与人类心理物理学数据一致，特别是速度辨别中的感知偏差。
• 从实验数据中估计感知先验，并表明其与最优推断模型不一致。
• 改进生成模型，以更好地解释标准运动感知模型中违反高斯假设的实证心理物理学结果。

提出的方法

• 从运动感知与神经处理原理出发，公理化推导运动云模型，将其视为动态扭曲的‘纹理单元’（textons）的泊松噪声叠加，确保生物合理性与参数可解释性。
• 将模型表示为随机偏微分方程（sPDE），其中亮度守恒被彩色噪声扰动，速度场服从具有平均速度与方向的分布。
• 使用白化滤波器将sPDE转换为类似运动能量的似然函数，从而可与经典运动能量模型直接比较。
• 将模型应用于生成心理物理学实验的刺激，以在受控参数变化下探究人类速度感知。
• 假设高斯似然，将内部观察者的表征估计为从刺激中获得的速度最大似然估计（MLE）。
• 通过估计斜率与方差参数，将感知先验拟合至实验数据，揭示其标准差非递减，与MLE预测相矛盾。

实验结果

研究问题

• RQ1 能否从运动感知与神经处理原理出发，公理化推导出一种生物启发的动态纹理模型？
• RQ2 基于最大似然估计（MLE）的最优速度估计器是否能准确预测动态纹理刺激下的人类速度感知？
• RQ3 从人类心理物理学数据中估计出的感知先验与从生成模型中推导出的似然函数相比有何异同？
• RQ4 为何人类观察者在速度辨别中表现出与最优推断模型预测相悖的感知偏差？
• RQ5 通过学习一个非均匀先验（考虑速度估计中的变异性）是否可解决MLE与人类感知之间的差异？

主要发现

• 基于生成模型推导出的MLE内部速度表征近似为高斯分布，其均值接近真实速度，方差随空间频率增加而减小。
• MLE估计器的标准差随空间频率增加而减小，与观察到的人类感知偏差（即非递减的变异性）相矛盾。
• 从人类数据中估计出的感知先验在不同空间频率下表现出非递减的标准差，表明观察者并未依赖最优推断，而是依赖于学习得到的、非均匀的先验。
• 拟合后的先验斜率与方差参数表明，感知先验无法由似然函数单独解释，必须引入独立的、基于实验估计的先验才能实现准确建模。
• 该模型揭示了最优贝叶斯推断（MLE）与人类速度感知之间存在根本性不一致，暗示大脑可能并未使用最优似然，而是依赖于感知上习得的先验。