1701551290
1701551291
图4-9
1701551292
1701551293
如果增加更多的标志，匹配错误就会增倍。有3个标志，就有6个错误匹配；10个标志，90个；100个标志，几乎10000个错误匹配。早在16世纪，天文学家约翰内斯·开普勒（Johannes Kepler）就注意到了这个“匹配问题”，他思考了凝望星空的眼睛如何与数以千计的白点相匹配的问题，以及一个物体在空间中的位置如何能够根据它的多重映像而被确定的问题。墙纸立体视图的效果是依靠诱骗大脑接受一个貌似正确但实际错误的方法来解决匹配问题的。
1701551294
1701551295
直到最近，每个人都认为大脑解决了日常生活中匹配的问题。大脑首先通过识别出每只眼睛中的物体，然后将相同物体的影像利用匹配的方式加以匹配。左眼中的柠檬与右眼中的柠檬匹配，左眼中的樱桃与右眼中的樱桃相匹配。在智能的指导下，立体视觉可以只把来自同种物体的点连在一起，从而避免错误匹配。一个典型的情景或许包含几百万个点，但包含的柠檬却少得多，也许只有一个。所以如果大脑对整个物体匹配的话，出错的机会就会变少。
1701551296
1701551297
但自然并没有选择这种解决方法。第一个线索来自阿米斯的另一个古怪屋子。这一次，不知疲倦的阿米斯建了一座普通的长方形房间，但在每厘米地板、墙壁和天花板上都粘贴了树叶。用一只眼睛通过窥视孔来看这间屋子时，就好像是模糊的绿色海洋。但当用双眼来看时，它又恢复成正确的三维形状了。阿米斯构建了一个只能用神奇的中央独视眼来看而不能单用左眼或右眼看的世界。但如果大脑必须依赖于识别出每只眼中的物体并将之联系起来，它又如何将两只眼睛看到的情形匹配起来呢？左眼看到的是“叶子叶子叶子叶子叶子叶子叶子叶子”，右眼看到的也是“叶子叶子叶子叶子叶子叶子叶子叶子”。大脑面临着能想象到的最困难的匹配问题。尽管如此，它还是轻松地将双眼看到的物体匹配在一起，显现出中央独视眼的视觉。
1701551298
1701551299
这个例子并非无懈可击。如果房间的边和角没有被叶子盖好怎么办？也许，每只眼睛都对房屋的形状有一个大概的认识，当大脑将两幅图像融汇在一起时，它就更加确信这种认识是准确的了。大脑无须识别物体即可解决匹配问题的证据来自心理学家贝拉·朱利斯（Bela Julesz）早些时候巧妙运用的计算机图像。在1956年逃离匈牙利来到美国之前，朱利斯是一名对空中侦察感兴趣的雷达工程师。空中侦察采用了一种巧妙的手法：立体视觉穿透伪装。伪装的物体表面覆盖着一些与周围背景环境相一致的标志物，使物体与背景的边界不那么明显。但只要物体不像烙饼那么平，当从两个观察点看时，双眼看到的标志物就会呈现出略微不同的位置，而背景标志则不会怎么移动，因为它们离得更远。空中侦察的手法是拍摄陆地的照片，然后让飞机飞一小会儿，再拍张照片。将两张照片并排放在一起，然后将它们输入一个对这两张照片的差异超级敏感的探测器：一个人。人实际上是在用一个立体图观看器来看图片的，就好像他是一个巨人，将他的两只眼睛放在当初飞机照相机上的两个位置一样，于是伪装的物体就在深度上呈现出来了。因为根据定义，一个伪装的物体用单眼几乎是看不到的，我们有另外一个例子来说明神奇中央独视眼能够看到任何一只真眼都看不到的东西。
1701551300
1701551301
证据要来自完美的伪装，这一次朱利斯使用了计算机。对于左眼的视觉，他在计算机上做了一个正方形，上面盖着随意分布的点，就像电视机的雪花点一样（见图4-10）。然后朱利斯让计算机又为右眼做了一个完全相同的正方形，只有一处做了调整的正方形：他将一小片点略微向左挪了一些，将新的一条随意分布的点插入了右边的缝隙，这样移走的点就伪装得非常好了。每张图片自己都像散乱的胡椒籽一样。但当用立体视图观看时，那一片就跃然浮现出来。
1701551302
1701551303
1701551304
1701551305
1701551306
图4-10
1701551307
1701551308
许多当时的立体视图权威拒绝相信这一点，因为大脑要解决的匹配问题太难了。他们怀疑，朱利斯是不是在一幅图背后划下了小标记。不过计算机当然没有作弊。任何看了随机散点立体视图的人都会立刻信服朱利斯的实验。
1701551309
1701551310
与朱利斯偶尔会合作的克里斯托弗·泰勒，发明神奇眼立体视图所用的只是将墙纸自动立体视图与随机散点立体视图组合起来而已。计算机得出了垂直的一条散点，然后把复制后的小条并排放在一起，这样就制作了随机散点墙纸。假设每一条有十个点那么宽，我们将点从1数到10……用“0”代表10就如图4-11所示。
1701551311
1701551312
1701551313
1701551314
1701551315
图4-11
1701551316
1701551317
任何一簇点——比如说，“5678”——每隔10个空格就重复一次。当目光凝视到邻近条的时候，这些长条图便会在我们的视线里结合起来，就像我们在墙纸立体视图里体验到的一样，只不过我们的大脑是把两片点图而不是把两个花朵图案重叠在一起罢了。那些相距较近的重复图案会带给我们较其他的立体影像更为接近的幻象，这是因为两眼放在其上的视线会在距离我们更近的地方相交的缘故。要在电眼立体视图里让某一片图案浮在其他幻象之前，设计者就必须先决定好该片区域的范围，再让其内的每一圈黑点都能与距离它最近的相同黑点靠得更近。在图4-12中我想做一个漂浮的长方形。所以我从两个箭头之间的长条中剪出两个点4；你能找到被剪的那几排，因为它们要比其他排短两个空格。在长方形中，每一簇点，比如“5678”，都每隔9个而不是10个空格就重复一次。大脑把彼此更加邻近的复制点簇解释为来自更为接近的物体，这样长方体就漂浮起来了。顺便提一句，图4-12不仅展示了自动立体视图是如何制作的，而且它本身就产生了一个自动立体视图效果。如果你把它像墙纸一样看得融汇在一起，一个长方形就会浮现出来。顶部的星形是为了帮助你得到立体幻象而准备的；让你的目光飘移直到看见重影有4个星形，然后慢慢地将图像聚在一起，直到中间两个星形融汇在一起，这样你就看到了一排3个星形而不是4个星形。小心地看图4-12，同时目光不做重新调整，你就可以看到飘浮的长方形。
1701551318
1701551319
1701551320
1701551321
1701551322
图4-12 飘浮的长方形
1701551323
1701551324
你还应当能看到图4-12下端有一个切开的窗口。我切窗口是通过选出一个长方形小块，并做了与我以前做的相反的事情：我在这小块里的每一个点4旁边塞进去额外一点（标志为“X”）。这将散点簇推开得更远，它们变成每隔11个空格才重复一次。你会注意到，被添加的行比其余的要长。间隔空间更宽的各相同点簇相当于更远的一个平面。当然，一个真正的随机散点自动立体视图是用点而不是用数字做的，所以你不会注意到被剪出或塞进的东西，参差不齐的线被填满了额外的点。这里有个例子（图4-13）。看一个真正的随机散点自动立体视图的乐趣在于，令观看者惊讶的那一刻呈现出的是观看者先前看不到的形状。
1701551325
1701551326
1701551327
1701551328
1701551329
图4-13
1701551330
1701551331
当自动立体视图风靡日本时，它很快发展为一种艺术形式。点并不是必要的；任何挂毯类的装饰，只要包含着很多的小轮廓，足以迷惑大脑将目光锁定到邻近条格，就会产生立体视图效果。第一个商业化自动立体视图使用了彩色的弯曲线，日本的自动立体视图使用了花朵、海洋波浪，还有从阿米斯的书中取下的一片叶子，组成的无数片树叶。多亏了计算机，立体图像里浮现的形状也不再只局限于死板的镂空形状而已。通过读取平面上三维坐标的点，计算机能够以略微不同的数量来更迭每一个点，从而在中央独视空间中塑造固定形状，而不是严格地变换整个小块。浮现出来的是光滑、球茎的形状，看上去好像它们是用叶子或花朵形成的。
1701551332
1701551333
为什么自然选择为我们配设的装备是真正的中央独眼视觉（能够双眼共同看到形状，但任何一只单眼却不行），而不是一个更简单的双眼立体机制呢？（这样任何一只眼看到的柠檬和樱桃都会一致）泰勒指出，我们的祖先确实生活在阿米斯的树叶屋里。灵长目在树上演化，需要识别认清树叶掩盖下的树枝网络。认不清的代价就是从高高的树枝上跌落到森林的地面上。为这些双眼生物构建一个双眼立体计算机系统一定是自然选择所无法抗拒的，但它之所以能够实现，也是基于对数千个视觉组织进行过计算。能够清晰匹配一致的单个物体太少了，彼此之间也隔得太远。
1701551334
1701551335
朱利斯指出了中央独眼视觉的另一个优点。动物们使用伪装要比军队早得多。最早的灵长目动物就类似于今天的猿猴亚目、马达加斯加的狐猿和眼镜猴，它们抓树上的昆虫吃。许多昆虫躲避捕猎者的方式是纹丝不动（这样捕猎者的移动探测器就派不上用场了），或者通过伪装（这样捕猎者的外形轮廓探测器也就失灵了）。中央独眼视觉是一种有效的反抵抗措施，就像空中侦察发现坦克和飞机一样发现了猎物。武器的技术发展催生了军备竞赛，这在自然界中和在战争中一样。一些昆虫瞒住捕猎者立体视觉的方式是通过将身体扁平化，并与地面齐平，或者变成活的树叶和树枝雕塑——一种三维的伪装。
1701551336
1701551337
中央独视眼是如何工作的呢？匹配问题，即将一只眼中的标志与另一只眼中的对应物彼此匹配的问题，是一个复杂的鸡与蛋的困惑。只有你选择了一对要测量的标志，你才能衡量一对标志的立体差异。但在一个树叶屋或随机散点立体视图中，有数千个能够作为标志的候选物体。如果你知道表面有多远，你就会知道向左眼视网膜的什么地方看，从而找到右眼中对应的标志。但如果你知道这个，就没必要进行立体计算了——你已经有了答案。心智是怎么做到的呢？
1701551338
1701551339
戴维·马尔表示，对我们所演化世界的预置前提假设能够有所帮助。在n个点的n2个可能匹配中，并不是所有的匹配都有可能出现在我们所处的美妙环境——地球上。一个设计良好的匹配者应该只考虑那些在物理上可能的匹配点。