9、3D场景人类感知建模：视觉注意力、质量感知与材料识别

3D场景人类感知建模：视觉注意力、质量感知与材料识别

在当今的科技领域，对3D场景的研究变得越来越重要。从视觉注意力到视觉质量感知，再到视觉材料的感知与识别，每一个方面都有着独特的研究价值和应用前景。

视觉注意力研究现状与未来方向

在视觉注意力的研究中，2D视觉注意力的研究已经有了大量的成果，但3D视觉注意力的研究却相对较少。主要原因在于构建带有人类注视注释的大型网格数据集是一项繁琐的工作。比如，Wang等人在2018年构建的3D打印物体上的人类眼睛注视数据集，仅包含224个样本，对于深度架构来说规模较小，但他们也提出了一个CNN模型来预测注视密度图。

为了克服3D数据集缺乏的问题，Song等人在2019年提出了一种弱监督的网格显著性方法，即分类显著性CNN，将3D物体分类知识转移到网格显著性上。还有Lau等人在2016年开发了一种触觉网格显著性框架，用于探索物体上更有可能被人类抓取、按压或触摸的显著点，并展示了其在制造材料建议和渲染属性建议等应用中的使用。

基于文献综述，视觉注意力研究有以下几个未来方向：
1. 提升模型性能 ：尽管深度学习在视觉注意力建模方面取得了进展，但目前的模型仍远未达到人类水平，需要研究新的技术、架构和参数。
2. 加强自上而下注意力研究 ：自下而上的显著性建模相对容易，而自上而下的视觉注意力研究较少，应加强这方面的研究。
3. 拓展3D视觉注意力研究 ：3D视觉注意力研究稀缺，存在将2D注视数据映射到3D的问题以及构建3D数据集和基准的繁琐工作，应鼓励对3D形状（如三角网格、点云和虚拟环境）