Diese Dissertation schlägt ein Modell zur Verarbeitung von Bewegungsreizen vor. Modelliert wird die Funktionalität visueller Areale: visuelles Areal 1 (V1), middle temporal (MT), und medial superior temporal (MST). Modellneurone in V1 codieren Selektivitäten für verschieden orientierte Bildkontraste und verschiedene Bewegungsrichtungen. Einzelne Modellneurone sind besonders stark aktiviert, wenn diese durch eine bestimmte Bildbewegung, z. B. Bewegung nach Links, gereizt werden. In MT entsteht durch Integration über größere Bereiche des visuellen Feldes eine Selektivität für Bewegungsrichtungen und -geschwindigkeiten. MST besitzt Modellneuronen die insbesondere auf Bewegungsreize aus Eigenbewegung ansprechen. Diese Selektivitäten kommen durch verschiedene Verschaltungsmuster von Modellneuronen sowie Modellarealen zustande.
Ein Beispiel für eine einfache Verschaltung ist die örtliche Integration: Die Aktivierung örtlich benachbarte Modellneuronen wird unterschiedlich gewichtet summiert und an ein einzelnes Modellneuron weitergeleitet. Das vorgeschlagene Modell kann neben den bereits beschriebenen Bewegungsreizen auch Bewegungstransparenzen verarbeiten. Bewegungstransparenz entsteht, wenn mehrere Bewegungen an der gleichen Position im visuellen Feld wahrgenommen werden. Viele visuelle Perzepte der Bewegungstransparenz sind durch das Modell erklärbar, so zum Beispiel ein Perzept der entsteht, wenn opponente Bewegungen alternierend in schmalen Streifen angeordnet werden. Dabei ist die Streifenbreite im Verhältnis zur rezeptiven Feldgröße entscheidend, siehe auch kurze Bewegungssequenz in den Abbildungen 2 und 3. Weiterhin macht das Modell Vorhersagen über für die Bewegungstransparenz notwendige Verschaltungsmuster und die visuelle Wahrnehmung von Bewegungstransparenz in Bewegungsmustern die aus Eigenbewegung entstehen und überlagert werden. Modellneurone in MST codieren Eigenbewegung und leisten damit einen Beitrag zur visuellen Navigation. Ein Vergleich mit Algorithmen der klassischen Bildverarbeitung zeigt, dass die Verarbeitungsleistung des Modells robuster hinsichtlich der Relaxation verschiedener Annahmen ist, z. B. hinsichtlich der Annahme es existiere kein Bildrauschen oder Änderungen in der Bildsequenz kämen allein durch Verschiebungen zustande.