論文の概要: Do Vision Encoders Exhibit Human-like Color Thresholds?

• arxiv url: http://arxiv.org/abs/2607.16540v1
• Date: Fri, 17 Jul 2026 22:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.176069
• Title: Do Vision Encoders Exhibit Human-like Color Thresholds?
• Title（参考訳）: ヴィジュアル・エンコーダーは、人間のような色の閾値を禁止しているか?
• Abstract要約: 近年、ディープニューラルネットワークはコンピュータビジョンタスクの標準ネットワークとなっている。 ディープ・ビジョン・エンコーダの普及にもかかわらず、その内部表現が人間のような識別閾値を示すかどうかを調査する研究はほとんどない。 我々は,50以上の事前学習された視覚エンコーダの色彩感受性を探索する大規模な探索的研究を行った。
• 参考スコア（独自算出の注目度）: 44.97183276701248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and characterizing human color perception is a longstanding research goal. One of the most traditional approaches is looking for the human color discrimination thresholds, the minimum chromatic differences perceptible to human observers. In recent years, deep neural networks have become the standard networks for computer vision tasks. In particular, deep vision encoders, foundation models trained on large-scale visual data, map images into latent feature representations. Despite the widespread use of deep vision encoders, few studies have investigated whether their internal representations exhibit human-like discrimination thresholds. In this work, we present a large-scale exploratory study probing the chromatic sensitivity of more than 50 pretrained vision encoders, including convolutional networks and vision transformers, against human discrimination thresholds. Using controlled chromatic stimuli at multiple chroma levels, we compare model-derived chromatic discrimination thresholds with human discrimination ellipses through a region-overlap metric (mIoU). Our analysis reveals generally weak alignment between model representations and human perceptual thresholds across all model families, with the best mIoU < 0.25. Moreover, we find that self-supervised encoders consistently outperform supervised ones, while language-supervised models show the most polarized behavior, occupying both the top and bottom of the ranking. These findings suggest that human-like chromatic sensitivity does not emerge naturally from current large-scale visual training objectives for any of the analyzed architectures.
• Abstract（参考訳）: 人間の色知覚を理解して特徴付けることは長年の研究目標である。 最も伝統的なアプローチの1つは、人間の観察者に知覚される最小色の差である、人間の色識別しきい値を求めることである。 近年、ディープニューラルネットワークはコンピュータビジョンタスクの標準ネットワークとなっている。 特に、大規模視覚データに基づいて訓練された基盤モデルであるディープ・ビジョン・エンコーダは、画像を潜在特徴表現にマッピングする。 ディープ・ビジョン・エンコーダの普及にもかかわらず、その内部表現が人間のような識別閾値を示すかどうかを調査する研究はほとんどない。 本研究では,コンボリューションネットワークやビジョントランスフォーマーを含む50以上の事前学習された視覚エンコーダの,ヒトの識別閾値に対する色感受性を探索する大規模な探索的研究について述べる。 複数の色レベルの制御された色覚刺激を用いて、モデル由来の色覚識別閾値と人間の識別楕円を領域オーバーラップメートル法(mIoU)で比較した。 解析の結果, モデル表現と人間の知覚閾値の相関関係は, 全モデル群に共通し, mIoU < 0.25 であることがわかった。 さらに,自己教師型エンコーダは教師付きエンコーダよりも常に優れており,言語教師型モデルは最上位と下位の両方を占有し,最も偏極化された振る舞いを示す。 これらの結果から,解析対象の大規模視覚訓練の対象からヒト様の色彩感受性が自然に出現しないことが示唆された。

関連論文リスト

• Human-AI Perceptual Alignment by Playing Hues and Cues [2.6369756143132634]
  Contrastive Vision-Language Models (CVLM) と人間の評価は、典型的には、きめ細かい意味と文化的ニュアンスを見渡す伝統的なベンチマークによって制約される。 本稿では,ボードゲームHues and Cuesのゲーミフィケーションされた離散色空間を活用する新しい評価フレームワークを提案する。 我々は、複数のアーキテクチャファミリおよび事前学習データセットにわたる162のモデルを評価し、それらのセマンティックカラーグラウンドを評価する。
  論文  参考訳（メタデータ） (2026-08-07T12:00:55Z)
• An extremely coarse feedback signal is sufficient for learning human-aligned visual representations [2.9506547907696006]
  学習信号の粗さが人間の視覚との表現的アライメントをどのように形成するかを検討する。 これらの粗い分類タスクに基づいて、畳み込みアーキテクチャとトランスフォーマーアーキテクチャをまたいだ数百のニューラルネットワークをトレーニングします。 訓練されたネットワークは、1000クラスのモデルのニューラルアライメントと一致するか、あるいは超えている表現を、最大8つのワイドカテゴリで学習する。
  論文  参考訳（メタデータ） (2026-05-07T01:02:21Z)
• Human Cognitive Benchmarks Reveal Foundational Visual Gaps in MLLMs [65.93003087656754]
  VisFactorは、よく確立された認知心理学評価から20の視覚中心のサブテストをデジタル化するベンチマークである。 GPT、Gemini、Claude、LLaMA、Qwen、SEEDファミリーから20のフロンティアマルチモーダル言語モデル(MLLM)を評価する。 最高のパフォーマンスモデルは100点中25.19点のスコアしか得られず、精神的な回転、空間的関係推論、図形の識別といったタスクに一貫して失敗する。
  論文  参考訳（メタデータ） (2025-02-23T04:21:32Z)
• When Does Perceptual Alignment Benefit Vision Representations? [76.32336818860965]
  視覚モデル表現と人間の知覚的判断との整合がユーザビリティに与える影響について検討する。 モデルと知覚的判断を一致させることで、多くの下流タスクで元のバックボーンを改善する表現が得られることがわかった。 その結果,人間の知覚的知識に関する帰納バイアスを視覚モデルに注入することは,より良い表現に寄与することが示唆された。
  論文  参考訳（メタデータ） (2024-10-14T17:59:58Z)
• ColorSense: A Study on Color Vision in Machine Visual Recognition [57.916512479603064]
  視覚認識ベンチマークから,前景や背景色ラベルの非自明なアノテーション110,000点を収集する。 色識別のレベルがマシン認識モデルの性能に与える影響を実証することにより、データセットの使用を検証した。 その結果,分類や局所化などの物体認識タスクは,色覚バイアスの影響を受けやすいことが示唆された。
  論文  参考訳（メタデータ） (2022-12-16T18:51:41Z)
• A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
  本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。 我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。 提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
  論文  参考訳（メタデータ） (2022-09-22T22:27:08Z)
• Guiding Visual Attention in Deep Convolutional Neural Networks Based on Human Eye Movements [0.0]
  ディープ畳み込みニューラルネットワーク(DCNN)は、当初は生物学的ビジョンの原理にインスパイアされていた。 近年のディープラーニングの進歩は、この類似性を減らしているようだ。 有用なモデルを得るための純粋にデータ駆動型アプローチについて検討する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:23Z)
• Are Convolutional Neural Networks or Transformers more like human vision? [9.83454308668432]
  視覚タスクにおけるCNNよりも注意に基づくネットワークの方が精度が高いことを示す。 これらの結果は、人間の視覚モデルの構築だけでなく、人間の視覚的物体認識の理解にも影響を及ぼす。
  論文  参考訳（メタデータ） (2021-05-15T10:33:35Z)
• Appearance Consensus Driven Self-Supervised Human Mesh Recovery [67.20942777949793]
  単眼画像から人間のポーズや形状を推定する自己教師付きメッシュ回復フレームワークを提案する。 標準モデルに基づく3次元ポーズ推定ベンチマークの最先端結果を得る。 その結果、色付きメッシュ予測により、ポーズや形状推定以外にも、さまざまな外観関連タスクにフレームワークの使用が開放される。
  論文  参考訳（メタデータ） (2020-08-04T05:40:39Z)
• Seeing eye-to-eye? A comparison of object recognition performance in humans and deep convolutional neural networks under image manipulation [0.0]
  本研究では,ヒトとフィードフォワードニューラルネットワークの視覚コア物体認識性能の行動比較を目的とした。 精度分析の結果、人間はDCNNを全ての条件で上回るだけでなく、形状や色の変化に対する強い堅牢性も示している。
  論文  参考訳（メタデータ） (2020-07-13T10:26:30Z)

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。