Khoảng trống trong hiểu biết về nhận thức vật liệu
Trong nhãn khoa và khoa học thị giác, khả năng nhận diện vật liệu (như gỗ, kim loại, vải) là một chức năng nền tảng, song hành cùng việc nhận diện vật thể và cảnh quan. Từ lâu, các lý thuyết cổ điển cho rằng hệ thống thị giác dựa vào các "gợi ý" (cues) khái niệm như độ bóng hay hình dạng 3D để phân tích bề mặt. Tuy nhiên, các nghiên cứu trước đây thường sử dụng các kích thích nhân tạo đơn giản, thiếu tính thực tế (ecological validity). Câu hỏi đặt ra là: Liệu hệ thống thị giác thực sự sử dụng các đặc trưng thống kê hình ảnh (image statistics) để ước tính các thuộc tính vật lý của bề mặt trong thế giới thực phức tạp hay không? Đây chính là lỗ hổng mà nghiên cứu này hướng tới để lấp đầy.
Bản chất của nhận thức bề mặt qua lăng kính thống kê
Bản chất của vấn đề nằm ở sự phân biệt giữa các đặc trưng thống kê cấp thấp (low-level) và cấp cao (high-level). Các mô hình thống kê hình ảnh (như Portilla-Simoncelli) tập trung vào các đặc trưng cấp thấp, trong khi các mô hình học sâu (Deep Learning) sử dụng các đặc trưng cấp cao (neural style information) để mô tả kết cấu. Nghiên cứu này giả thuyết rằng nhận thức vật liệu không chỉ dựa vào hình dạng 3D mà còn được quyết định bởi các đặc trưng thống kê này. Bằng cách sử dụng các hình ảnh tổng hợp (synthesized images) - nơi cấu trúc không gian bị phá vỡ nhưng các đặc trưng thống kê được bảo toàn - các tác giả đã tạo ra một môi trường kiểm soát để tách biệt vai trò của các yếu tố này trong quá trình xử lý thị giác.
Dữ liệu thực nghiệm và những phát hiện cốt lõi
Nghiên cứu thực hiện trên 200 hình ảnh bề mặt tự nhiên thuộc 10 danh mục vật liệu khác nhau, so sánh giữa ảnh gốc (OG), ảnh tổng hợp theo mô hình PS (PS-synthesized) và ảnh tổng hợp theo phong cách thần kinh (style-synthesized). Các chỉ số chính bao gồm hiệu suất phân loại, đánh giá thuộc tính bề mặt, màu sắc đại diện và điện thế gợi thị giác (VEP).
| Chỉ số | Ảnh gốc (OG) | Ảnh tổng hợp (SS) | Ảnh tổng hợp (PS) |
|---|---|---|---|
| Độ chính xác phân loại | 92% | 86% | 66% |
| Tương quan đánh giá (r) | - | ~0.97 | ~0.63 - 0.87 |
| Độ trễ VEP (đỉnh cao) | ~250ms | Tương đồng | Tương đồng |
Phân tích chuyên sâu về cơ chế thị giác
Kết quả cho thấy sự tương đồng đáng kinh ngạc giữa ảnh gốc và ảnh tổng hợp theo phong cách (SS), chứng minh rằng các đặc trưng thống kê cấp cao đóng vai trò quyết định trong nhận thức vật liệu. Một điểm thú vị là sự tương quan mạnh mẽ giữa VEP và các đặc trưng phong cách ở cả giai đoạn sớm (100-200ms) và muộn (450-500ms), điều này chưa từng được ghi nhận trong các nghiên cứu về nhận diện vật thể hay cảnh quan trước đây.
Sự tồn tại của đỉnh tương quan muộn (450-500ms) gợi ý rằng nhận thức vật liệu là một quá trình động, đòi hỏi sự tham chiếu liên tục của hệ thống thị giác tại nhiều vùng vỏ não khác nhau, từ vỏ não thị giác sơ cấp đến các vùng xử lý nhận thức bậc cao.
Thông điệp mang về cho thực hành lâm sàng
- Tư duy mới về nhận thức: Nhận thức vật liệu trong thế giới thực chủ yếu dựa vào các đặc trưng thống kê hình ảnh thay vì chỉ dựa vào hình dạng 3D đơn thuần.
- Tính ứng dụng của mô hình: Các mô hình học sâu (CNN) có khả năng mô phỏng gần như chính xác cách con người nhận diện vật liệu, mở ra tiềm năng ứng dụng trong chẩn đoán hình ảnh nhãn khoa.
- Đặc thù của vật liệu: Khác với nhận diện vật thể, nhận diện vật liệu là một quá trình thị giác bền bỉ và được ưu tiên xử lý, đóng vai trò là "bối cảnh phổ quát" cho mọi hoạt động thị giác khác.
- Hướng đi tương lai: Cần kết hợp các mô hình thống kê với các yếu tố hình dạng cục bộ để giải thích trọn vẹn các trường hợp nhận thức sai lệch hoặc các vật liệu có tính chất quang học đặc biệt như kim loại hay thủy tinh.
Tài liệu tham khảo:
Oshima, K., Zhang, Y., Orima, T., & Motoyoshi, I. (2026). The role of statistical image features in material perception: psychophysics and EEG decoding with natural and synthesized images. Vision Research, 244, 108815. https://doi.org/10.1016/j.visres.2026.108815
(Tệp gốc: The-role-of-statistical-image-features-in-material-perception--_2026_Vision-.pdf)