少即是多！动态环境中自下而上与自上而下注意力的视觉抑制

文献标题

Less is More! Visual Suppression for Bottom-up and Top-down Attention in Dynamic Environments

出版信息

• 主题领域: 动态虚拟环境中的视觉注意机制
• 关键词: 视觉抑制、显著性-相关性、注意力再分配、调暗、模糊、虚拟环境、认知负荷、视觉搜索、持续监控、沉浸式系统

背景与问题

• 问题/挑战: 动态虚拟环境中，显著性和相关性对象之间的视觉竞争会削弱用户的注意力。现有增强显著性的方法会引入视觉杂乱，未能全面解决显著性与相关性之间的交互问题。
• 意义: 在训练、导航和监控等需要注意力管理的应用场景中，分心可能会影响性能和安全性，因此有效的注意力管理至关重要。
• 动机与相关工作: 之前的研究主要集中在增强相关对象的显著性或抑制无关干扰，但尚未系统探索显著性-相关性交互或抑制强度的影响。本文通过引入基于抑制的视觉滤镜填补了这一研究空白。

解决方案

• 提出的方法: 基于抑制的视觉过滤机制，包括调暗（亮度调节）和模糊（聚焦景深模糊），并设置强和弱两种强度水平。
• 创新点:
  1. 在动态虚拟环境中开发并验证了不同强度的基于抑制的视觉滤镜。
  2. 通过用户研究提供了滤镜对注意力表现影响的实证证据。
  3. 提出了“注意力再分配原理”，解释了抑制无关显著性如何重新分配注意力资源。
  4. 系统性地探讨了显著性-相关性交互及其对注意力的影响。
• 过程与关键技术:
  • 外部对象属性调节（调暗）：通过降低无关对象的亮度来制造特征对比。
  • 内部视觉模拟（模糊）：使用以目标为中心的高斯模糊模拟人类视觉敏锐度的下降。
  • 在包含抽象移动对象的受控虚拟环境中操控显著性-相关性配置。
  • 通过视觉搜索和持续监控任务进行评估，使用响应时间、准确率和认知负荷等指标。

结果

• 具体发现:
  • 在视觉搜索任务中，Dim-Strong 实现了最快的响应时间（6.59秒）和最高的准确率（99.2%）。
  • 在持续监控任务中，模糊条件提高了准确率，但延长了响应时间。
  • 在调暗和模糊滤镜中，强强度均优于弱强度。
  • 认知负荷最多减少了41.4%（Dim-Strong），而运动病影响极小。
• 相较基线的优势:
  • 所有视觉滤镜均改善了注意力表现，其中 Dim-Strong 的提升最为显著。
  • 调暗滤镜的响应时间更快，准确率高于模糊滤镜。
• 实验/评估:
  • 对38名参与者进行组内实验，测试了五种条件（Dim-Strong、Dim-Weak、Blur-Strong、Blur-Weak、Baseline）在九种显著性-相关性配置下的表现。
  • 指标包括响应时间、准确率、距离感知、眼动角度、可辨别性 (d′) 和响应标准 (C)。
• 局限性与未来工作:
  • 由于实验设计基于抽象虚拟环境，生态效度有限。
  • 显著性仅通过空间距离定义，未考虑多特征交互。
  • 需要系统验证强度水平和显著性差异。
  • 关于中等强度、动态相关性变化以及意外相关信息的开放性问题仍需进一步研究。

总结

本研究引入了基于抑制的视觉滤镜（调暗和模糊）以管理动态虚拟环境中的注意力。Dim-Strong 在视觉搜索和监控任务中表现出色，验证了“注意力再分配原理”，该原理解释了抑制无关显著性如何将注意力资源重新分配到相关信息上。研究结果揭示了显著性-相关性挑战，并为沉浸式系统（如驾驶显示和监控工具）的设计提供了见解。尽管抽象实验设置限制了直接的现实应用，但研究结果为复杂环境中的未来研究和实际应用奠定了基础。