論文の概要: Gaze patterns predict preference and confidence in pairwise AI image evaluation
- arxiv url: http://arxiv.org/abs/2603.24849v1
- Date: Wed, 25 Mar 2026 22:30:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.008363
- Title: Gaze patterns predict preference and confidence in pairwise AI image evaluation
- Title（参考訳）: 対AI画像評価における視線パターンによる嗜好と信頼の予測
- Authors: Nikolas Papadopoulos, Shreenithi Navaneethan, Sheng Bai, Ankur Samanta, Paul Sajda,
- Abstract要約: 我々は、視線追跡が、ペアワイズAI生成画像評価における嗜好形成を明らかにすることができるかどうかを検討する。
我々は視線カスケード効果を再現し,視線は決定の約1秒前に選択された画像にシフトした。
Gazeの特徴はバイナリの選択(68%の精度)を予測し、選択された画像はより快適な時間、固定、修正を受ける。
- 参考スコア（独自算出の注目度）: 0.3914676152740142
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Preference learning methods, such as Reinforcement Learning from Human Feedback (RLHF) and Direct Preference Optimization (DPO), rely on pairwise human judgments, yet little is known about the cognitive processes underlying these judgments. We investigate whether eye-tracking can reveal preference formation during pairwise AI-generated image evaluation. Thirty participants completed 1,800 trials while their gaze was recorded. We replicated the gaze cascade effect, with gaze shifting toward chosen images approximately one second before the decision. Cascade dynamics were consistent across confidence levels. Gaze features predicted binary choice (68% accuracy), with chosen images receiving more dwell time, fixations, and revisits. Gaze transitions distinguished high-confidence from uncertain decisions (66% accuracy), with low-confidence trials showing more image switches per second. These results show that gaze patterns predict both choice and confidence in pairwise image evaluations, suggesting that eye-tracking provides implicit signals relevant to the quality of preference annotations.
- Abstract（参考訳）: Reinforcement Learning from Human Feedback (RLHF) や Direct Preference Optimization (DPO) のような嗜好学習手法は、相互に人間の判断に依存するが、これらの判断の根底にある認知過程についてはほとんど知られていない。
我々は、視線追跡が、ペアワイズAI生成画像評価における嗜好形成を明らかにすることができるかどうかを検討する。
30人の参加者が視線を記録している間に1,800の試験を完了した。
我々は視線カスケード効果を再現し,視線は決定の約1秒前に選択された画像にシフトした。
カスケードダイナミクスは信頼性レベルにわたって一貫していた。
Gazeの特徴はバイナリの選択(68%の精度)を予測し、選択された画像はより快適な時間、固定、修正を受ける。
Gazeは、不確実な決定(66%の精度)から高信頼を区別する。
これらの結果は、視線パターンが対画像評価における選択と信頼の両方を予測し、視線追跡が嗜好アノテーションの品質に関連する暗黙の信号を提供することを示している。
関連論文リスト
- Preference-Guided Debiasing for No-Reference Enhancement Image Quality Assessment [80.89893373505261]
我々は、非参照強調画像品質評価(EIQA)のための嗜好誘導型デバイアス化フレームワークを提案する。
提案手法は,アルゴリズムによる表現バイアスを効果的に緩和し,既存手法と比較して頑健性やアルゴリズム間の一般化に優れる。
論文 参考訳（メタデータ） (2026-03-20T16:07:34Z) - Visual Affect Analysis: Predicting Emotions of Image Viewers with Vision-Language Models [2.2023261946811563]
視覚言語モデル(VLM)は、スケールでの視覚刺激の影響を推測するためのツールである。
我々は、最新のプロプライエタリモデルからオープンソースモデルまで、9つのVLMを心理測定で検証された3つの感情イメージデータセットでベンチマークした。
論文 参考訳（メタデータ） (2026-01-27T17:56:21Z) - A Meaningful Perturbation Metric for Evaluating Explainability Methods [55.09730499143998]
本稿では,画像生成モデルを用いて標的摂動を行う新しい手法を提案する。
具体的には,画像の忠実さを保ちながら,入力画像の高関連画素のみを塗布し,モデルの予測を変更することに焦点を当てる。
これは、しばしばアウト・オブ・ディストリビューションの修正を生み出し、信頼できない結果をもたらす既存のアプローチとは対照的である。
論文 参考訳（メタデータ） (2025-04-09T11:46:41Z) - L-WISE: Boosting Human Visual Category Learning Through Model-Based Image Selection and Enhancement [12.524893323311108]
画像の摂動は、人間が真実のクラスを正確に報告する能力を高めることができることを示す。
本研究では,人間の視覚的学習を,テスト時に人間の分類精度を向上させる方法で強化することを提案する。
論文 参考訳（メタデータ） (2024-12-12T23:57:01Z) - Evaluating Perceptual Distance Models by Fitting Binomial Distributions to Two-Alternative Forced Choice Data [43.714290271351466]
本稿では,二項決定モデルに最大推定値を適用し,より頑健な距離モデル評価手法を提案する。
提案手法は2つの2AFC PFデータセット上での様々な視覚距離モデルの評価から, 簡便さ, 可視性, 柔軟性, 計算効率が優れていることを示す。
論文 参考訳（メタデータ） (2024-03-15T15:21:04Z) - Image Statistics Predict the Sensitivity of Perceptual Quality Metrics [44.077177515227554]
画像の確率から、このリンクが数学的にどのように表現されるかは定かではない。
本稿では,自然画像の生成モデルを用いて画像の確率を評価する。
我々は,現在最先端の主観的画像品質指標の感度を予測するために,確率関連因子をどのように組み合わせることができるか分析する。
論文 参考訳（メタデータ） (2023-03-17T10:38:27Z) - Associative Adversarial Learning Based on Selective Attack [47.32213511965216]
我々は、敵対的学習にAssociative Adrial Learningを導入し、選択的攻撃を誘導する。
これにより、注意の逆追跡アルゴリズムが効果的に注意の対向的堅牢性を高めることができる。
本手法は,ベースラインと比較して,画像ネット上での対人訓練の認識精度を8.32%向上させる。
論文 参考訳（メタデータ） (2021-12-28T04:15:06Z) - Rank-smoothed Pairwise Learning In Perceptual Quality Assessment [26.599014990168836]
階層的確率でペアワイドな経験的確率を正規化することで、より信頼性の高いトレーニング損失がもたらされることを示す。
画像品質評価モデルのトレーニングにおいて,ランクスムースな損失が人間の嗜好を予測する精度を常に向上させることを示す。
論文 参考訳（メタデータ） (2020-11-21T23:33:14Z) - Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。
画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-09T12:26:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。