想象一下，當你沿著一條路行駛時，一個障礙突然出現在你的路上。你能多快做出反應？你的反應速度如何隨時間、障礙物的顏色以及它在你視野中的位置而變化？

對視覺事件做出快速反應的能力對日常生活很有價值。它也是快節奏視頻游戲中的一項基本技能。 NVIDIA 、紐約大學和普林斯頓大學的研究人員最近進行了合作 – SIGGRAPH 2022 年技術論文獎得主 – 探索圖像特征與觀察者反應所需時間之間的關系。

反應速度和視覺事件

隨著顯示技術的不斷進步，人類的反應時間已經成為圖形管道中的主要瓶頸。與遠程服務器通信、渲染和顯示圖像以及收集和處理鼠標或鍵盤輸入的響應時間通常為幾十毫秒或更短。

相比之下，人類感知的管道要慢得多，根據視覺輸入的復雜程度，可以在 100 到 500 毫秒之間。這項研究旨在簡化和優化圖像，盡可能減少我們的反應時間。

視覺對比度和空間頻率是影響低水平視覺的眾所周知的特征。此外，人類的視覺在整個視野中并不均勻。提高反應時間所需的對比度取決于偏心率、視角（物體相對于中心視線的位置）和空間頻率（例如，物體是純色還是復雜圖案）。反應時間是許多神經過程的組合，所提出的模型包括所有這些因素。

反應時間測量基于稱為掃視的自愿快速眼動的起始潛伏期。目標一出現在屏幕上，“反應時間時鐘”就開始滴答作響。一旦識別出目標，就開始向其掃視。

掃視反應模型

為了建立一個感知準確的反應時間預測模型，研究人員對人類觀察者進行了一系列實驗，收集了 11000 多個不同圖像特征的反應時間。

受人腦感知信息和決策方式的啟發，研究人員設計了一個反應時間預測模型，考慮了對比度、頻率和偏心率，以及人類反應速度的內在隨機性。

在這個模型中，隨著時間的推移，“決策置信度”的量度會累積，一旦累積了足夠的置信度，就會進行一次掃視。置信度隨時間累積的速率不一致。

因此，該模型提供了顯示各種反應時間的可能性，而不是完全確定地預測單個反應時間。置信度累積的平均速率受圖像特征的影響，并導致反應時間的可能性發生變化。

兩個驗證實驗證實，該模型可以應用于可能看到的圖像，包括視頻游戲和自然照片。

使用反應時間預測優化人的績效

這種掃視反應時間模型的應用包括，例如，智能駕駛輔助系統，用于估計駕駛員是否能夠對行人和其他車輛做出安全反應，并啟用適當的輔助功能。類似地，電子競技游戲設計師可以使用該模型來理解游戲視覺設計的公平性，避免競爭結果中的偏見。

野心勃勃的玩家也可以使用這種模型來微調他們的設置以獲得最佳性能——例如，為目標 3D 對象選擇最佳皮膚。

在未來的工作中，研究團隊計劃探索顏色和時間效應等其他圖像特征如何影響人類的反應時間，以及如何訓練人類提高他們對屏幕或現實世界事件的反應速度。

關于作者

Budmonde Duinkharjav 是 NVIDIA 2022 年夏季實習生，也是紐約大學沉浸式計算實驗室的博士候選人，由孫琦教授擔任顧問。在 2021 春季開始學習之前，他分別于 2018 年和 2019 年在麻省理工學院獲得了計算機科學和工程學士學位和孟學位。 Monde 對探索計算機圖形學、 AR / VR 和電子競技中的人類表現、行為和感知方面的各種主題感興趣。

Rachel Brown 是位于俄勒岡州波特蘭的 NVIDIA 人類感知和表現小組的研究科學家。她的興趣集中在計算機圖形學應用中人類如何感知和響應刺激，特別是周邊視覺、色彩和立體視覺領域。她于 2018 年在加州大學伯克利分校完成了研究生學業，獲得了視覺科學博士學位和計算機科學碩士學位，并于 2011 年在威廉瑪麗學院完成了本科學業，獲得生物學和心理學學士學位。

Anjul Patney 是位于華盛頓雷德蒙的 NVIDIA 人類表現和體驗研究小組的首席研究科學家。此前，他是 Facebook Reality Labs （ 2019-2021 ）的研究科學家，也是 NVIDIA （ 2013-2019 ）實時渲染的高級研究科學家。他于 2013 年獲得加州大學戴維斯分校的博士學位， 2007 年獲得印度理工學院德里分校的學士學位。 Anjul 的研究領域包括實時圖形的深度學習、時空圖像質量的感知度量、虛擬現實圖形的中心凹渲染以及虛擬現實環境中的重定向行走。

審核編輯：郭婷