Notre modèle fait des prédictions spécifiques. Il existe des preuves physiologiques et psychophysiques du traitement de la disparité grossière à fine dans la vision biologique (Menz et Freeman, 2003; Smallman et MacLeod, 1994; Wilson et coll., 1991; Rohaly et Wilson, 1993). Notre modèle suggère une implémentation spécifique de ce calcul, à savoir que les connexions à partir de cellules avec des RFs plus grands à ceux avec des RFs plus petits est la plus forte quand une cellule pré-synaptique de la disparité préférée globale (telle que déterminée par sa position et la phase quarts de travail) correspond au décalage de position de la cellule post-synaptique. Une deuxième prédiction est que la plus petite séparation de disparité entre deux surfaces transparentes qui peuvent être résolues perceptuellement est déterminée par les tailles RF de l`échelle la plus fine dans le processus grossier-à-fin. Ceci pourrait être testé en examinant si la plus petite séparation de disparité résolvable augmente avec l`excentricité rétinienne. Notre modèle prédit également que la moyenne des disparités devrait être pondérée par les densités de points (Fig. 11). Les réponses énergétiques (rangée du haut) et les réponses multipliées par les gains grossiers à fins (rangée du bas) à une position fixe dans le stéréogramme transparent à points aléatoires de la Fig. 1.

Différentes colonnes affichent les résultats de différentes échelles. Dans chaque panneau, l`axe horizontal représente le paramètre de décalage de phase des cellules Δφ (divisé par ω pour être caché à la disparité), et l`axe vertical représente leur paramètre de décalage de position d. les lignes pointillées indiquent des combinaisons de phases et de décalages de position qui sont égales les véritables disparités du stimulus. Le panneau droit de la Fig. 12 montre l`erreur de décodage RMS en fonction de σD (avec l`α optimal pour chaque σD). La performance du modèle ne varie pas beaucoup tant que σD est plus petit que σ ⊥ de l`échelle la plus fine (2 pixels dans nos simulations). Ces résultats expliquent pourquoi un ensemble de paramètres unique fonctionne bien pour tous les stéréogrammes de ce document. Les RFs des cellules simples dans une paire de quadrature sont définis dans eqn. 2, 3, 4 et 5 du texte. Pour un stimulus I (x, y) avec la disparité D, les images pour les deux yeux nous avons étendu le modèle d`énergie de la disparité grossière à fine de Chen et Qian pour résoudre le problème difficile de la transparence stéréo avec des mécanismes biologiquement plausibles. Dans le modèle d`origine, une échelle donnée décode une seule disparité pour chaque emplacement et utilise cette disparité pour sélectionner un ensemble de cellules pour l`échelle suivante. Nous avons remplacé cette procédure de sélection artificielle par des connexions multiplicatives d`une échelle à l`autre.

Le modèle de connectivité fournit un mécanisme biologiquement plausible pour atteindre l`objectif du modèle d`origine d`utiliser le composant RF de position-Shift des cellules pour compenser les disparités de stimulus et le composant RF de phase-shift plus fiable pour estimer les résidus Disparités. Plus important encore, alors que chaque échelle du modèle original s`engage à une seule disparité décodée à chaque emplacement, le nouveau modèle maintient l`ensemble des réponses de la population au cours du calcul grossier à fin. Par conséquent, contrairement au modèle original, le décodage explicite des disparités à chaque échelle n`est pas nécessaire pour le nouveau modèle. Nous pouvons encore décoder les réponses de la population à chaque échelle dans le seul but de la visualisation comme nous l`avons fait dans ce document. Cela nous amène à notre deuxième extension: nous avons utilisé un critère de seuil simple capable de décoder de multiples disparités, au lieu de décoder une seule disparité dans le modèle d`origine. Nous avons démontré par des simulations informatiques, avec un ensemble de paramètres unique, que ces extensions permettent à notre modèle de résoudre divers stéréogrammes transparents et non transparents d`une manière biologiquement plausible. Enfin, notre modèle explique les interactions entre les disparités (moyenne, épaississement, attraction et répulsion) car la séparation entre deux plans superposés varie.