La cyclodisparité est un concept de la vision binoculaire et de la stéréopsie, désignant la différence d'orientation rotationnelle des images projetées sur les deux rétines. Contrairement à la disparité horizontale, qui découle de la séparation latérale des yeux et fournit le principal indice de profondeur, la cyclodisparité implique une rotation de l'image d'un œil par rapport à l'autre autour de l'axe de regard. Cette différence rotationnelle est généralement faible en vision naturelle, souvent inférieure à quelques degrés, mais elle joue un rôle significatif dans la perception de l'inclinaison et du basculement des surfaces dans l'espace tridimensionnel.
Le système visuel humain traite la cyclodisparité grâce à des mécanismes spécialisés dans le cortex visuel, en particulier dans des zones telles que V1 et MT, qui sont sensibles à l'orientation et au mouvement. Ces mécanismes aident à intégrer la cyclodisparité avec d'autres indices de profondeur, tels que les indices monoculaires et la parallaxe de mouvement, pour produire une perception cohérente de l'environnement. Les recherches ont montré que le cerveau peut détecter une cyclodisparité aussi faible que quelques minutes d'arc, démontrant sa sensibilité et son importance dans la discrimination fine de la profondeur.
Contexte historique
L'étude de la cyclodisparité remonte au XIXe siècle, lorsque les premiers scientifiques de la vision, comme Charles Wheatstone et Hermann von Helmholtz, ont exploré la géométrie de la vision binoculaire. L'invention du stéréoscope par Wheatstone en 1838 a démontré que présenter des images légèrement différentes à chaque œil pouvait créer un sens de profondeur convaincant, posant les bases de la compréhension de la disparité. Cependant, la cyclodisparité n'a pas été systématiquement étudiée avant le milieu du XXe siècle, lorsque des chercheurs comme Bela Julesz ont utilisé des stéréogrammes de points aléatoires pour isoler le traitement de la disparité des autres indices. Les travaux de Julesz dans les années 1960 ont révélé que le système visuel pouvait extraire la profondeur à partir de stimuli purement cyclopéens, soulignant le rôle de la cyclodisparité dans la stéréopsie globale.
Modèles computationnels
Dans le domaine de la vision par ordinateur et de l'intelligence artificielle, la cyclodisparité est modélisée comme une composante de la matrice fondamentale ou de la matrice essentielle dans les algorithmes de vision stéréo. Ces modèles estiment la rotation et la translation relatives entre deux vues de caméra, la cyclodisparité correspondant à la composante rotationnelle autour de l'axe optique. Les algorithmes de correspondance stéréo intègrent souvent une correction de cyclodisparité pour améliorer l'estimation de la profondeur, en particulier dans des applications comme la conduite autonome et la robotique. Par exemple, Waymo et Tesla Autopilot utilisent des systèmes de caméras stéréo qui doivent tenir compte de la cyclodisparité pour percevoir avec précision la géométrie de la route et les obstacles. Les avancées en apprentissage profond ont conduit à des architectures de réseaux neuronaux qui apprennent à estimer la cyclodisparité implicitement à partir de grands ensembles de données, améliorant la robustesse dans des scénarios réels.
Applications dans la perception de la profondeur
La cyclodisparité est cruciale pour percevoir l'orientation des surfaces inclinées, comme un plateau de table incliné ou une route courbe. Lorsqu'un observateur regarde une surface qui n'est pas perpendiculaire à l'axe de regard, les images sur les rétines subissent une rotation relative, que le cerveau interprète comme une inclinaison. Cet indice est particulièrement important dans les systèmes de réalité virtuelle et de réalité augmentée, où un rendu précis de la profondeur est essentiel pour l'immersion de l'utilisateur. Des entreprises comme Sony AI et Google DeepMind ont exploré l'utilisation de la cyclodisparité pour développer des affichages 3D plus réalistes et des modèles de IA générative pour la reconstruction de scènes. De plus, la cyclodisparité joue un rôle dans l'imagerie médicale, où la visualisation stéréoscopique des structures anatomiques repose sur un traitement précis de la disparité.
Mesure et psychophysique
Les études psychophysiques ont quantifié la sensibilité humaine à la cyclodisparité en utilisant des stimuli tels que des motifs de points aléatoires en rotation. Ces expériences présentent généralement un point de fixation central et des stimuli périphériques avec des décalages rotationnels contrôlés, mesurant le seuil auquel les observateurs peuvent détecter la rotation. Les résultats indiquent que la sensibilité varie avec l'excentricité et la taille du stimulus, les stimuli plus grands et plus périphériques nécessitant des seuils plus faibles. L'intégration de la cyclodisparité avec la disparité horizontale est également étudiée, car les deux indices interagissent pour produire une perception de profondeur unifiée. Des modèles comme le modèle d'énergie de disparité ont été étendus pour tenir compte de la cyclodisparité, fournissant un cadre pour comprendre les réponses neuronales dans les zones visuelles précoces.
Concepts connexes
La cyclodisparité est étroitement liée à d'autres indices binoculaires, notamment la disparité horizontale, la disparité verticale et les mouvements de vergence oculaire. Alors que la disparité horizontale encode la profondeur le long de l'axe horizontal, la disparité verticale fournit des informations sur la distance de vision et l'orientation de la tête. La cyclodisparité capture spécifiquement les différences rotationnelles, essentielles pour la perception de l'inclinaison des surfaces. En apprentissage automatique, la cyclodisparité est analogue au problème d'invariance rotationnelle dans la registration d'images et l'estimation du flux optique, où les algorithmes doivent aligner des images avec des orientations variables. Des techniques telles que la augmentation de données et la normalisation par lots sont souvent utilisées pour améliorer la robustesse des modèles à de telles variations.
Orientations futures
Les recherches en cours en neurosciences et en intelligence artificielle continuent d'explorer la base neuronale de la cyclodisparité et son implémentation computationnelle. Les interfaces cerveau-machine et l'informatique neuromorphique pourraient bénéficier d'une meilleure compréhension de la manière dont le cerveau encode la disparité rotationnelle. Dans les systèmes autonomes, l'intégration de la cyclodisparité avec d'autres modalités de capteurs, comme le LiDAR et le radar, pourrait améliorer la perception de la profondeur dans des conditions difficiles telles que le brouillard ou une faible luminosité. Alors que les grands modèles de langage et les architectures transformers progressent, ils pourraient également être appliqués aux tâches de vision stéréo, améliorant potentiellement l'interprétation de la cyclodisparité dans des scènes complexes.