論文の概要: Fidelity Preference, Not Demographic Preference: A Pixel-Level Attribute-Sensitivity Audit of Image Aesthetic/Preference Scorers

• arxiv url: http://arxiv.org/abs/2608.23593v1
• Date: Mon, 17 Aug 2026 08:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.339604
• Title: Fidelity Preference, Not Demographic Preference: A Pixel-Level Attribute-Sensitivity Audit of Image Aesthetic/Preference Scorers
• Title（参考訳）: 画像美的/嗜好スコラーのPixel-Level Attribute-Sensitivity Audit
• Abstract要約: テキスト・ツー・イメージシステムでは、トレーニングデータやガイド生成に美的スコアラーを用いるが、これらのスコアが人口特性を客観的な品質としてエンコードするかどうかは不明である。 合成画像と実画像の肌色と体型に対する画素レベルの介入による4つのスコア(LAION-Aesthetics, PickScore, ImageReward, HPSv2)を検査した。 我々の重要な発見は、肌の明度に沿って、主な効果は忠実さの選好である: 修正されていない画像が最も高く、どちらの方向の摂動も罰せられる(逆U)。
• 参考スコア（独自算出の注目度）: 0.837609145576126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-image systems use learned aesthetic scorers to filter training data and guide generation, but whether these scores encode demographic attributes as objective quality is unclear. We audit four scorers (LAION-Aesthetics, PickScore, ImageReward, HPSv2) using pixel-level interventions on skin tone and body type in synthetic and real images. Our key finding is that along skin-lightness, the dominant effect is fidelity preference: unaltered images score highest, and perturbations in either direction are penalized (inverted-U). Placebo arms show this penalty is not an artifact of the skin operator, as applying the same CIELAB L* shift to non-skin regions yields similar penalty magnitudes. However, the penalty is operator-dependent and holds for all operators only for LAION-Aes. Critically, audits on synthetic images alone are misleading: LAION-Aes shows strong preference for darker skin on synthetic faces, but on 1470 real faces the preference reverses and becomes much smaller, and amplification becomes non-significant. Across scorers, synthetic results do not transfer -- reversing for LAION-Aes and HPSv2, attenuating for PickScore. We contribute a reproducible benchmark with artifact control and synthetic/real cross-validation, and an auditability criterion for pixel-level causal isolation (valid for skin tone, not for body type due to deformation). Population-stratified analysis shows fidelity-penalty asymmetry is not robust across groups after FDR correction except for HPSv2. Our findings show naive synthetic audits misjudge bias direction and magnitude, and only within-image causal isolation on real data can distinguish true demographic bias from fidelity preference.
• Abstract（参考訳）: テキスト・ツー・イメージシステムは学習した美学スコアラーを用いてトレーニングデータとガイド生成をフィルタリングするが、これらのスコアが人口特性を客観的な品質としてエンコードするかどうかは不明である。 合成画像と実画像の肌色と体型に対する画素レベルの介入による4つのスコア(LAION-Aesthetics, PickScore, ImageReward, HPSv2)を検査した。 我々の重要な発見は、肌の明度に沿って、主な効果は忠実さの選好である: 修正されていない画像が最も高く、どちらの方向の摂動も罰せられる(逆U)。 プラセボの腕は、このペナルティは皮膚オペレーターの人工物ではなく、非皮膚領域に同じCIELAB L*シフトを適用すると、同様のペナルティ等級が生じる。 しかし、ペナルティは演算子に依存しており、LAION-Aesにのみ適用される。 LAION-Aesは、合成顔に対してより暗い肌を強く好むが、1470年、実際の顔は好みを逆転させ、より小さくなり、増幅は重要でない。 LAION-AesとHPSv2が逆転し、PickScoreが減衰する。 再現性ベンチマークには, 人工物制御と合成/実クロスバリデーション, および画素レベルの因果分離のための可聴性基準(変形による体型ではなく, 皮膚のトーンに対する有意性)を付与する。 人口層別分析では、HPSv2を除くFDR補正後の群間不斉不斉不斉は頑健ではないことが示された。 以上の結果から, 実データにおける画像内因果分離だけで, 真の人口統計学的偏見とフィデリティ選好を区別できる可能性が示唆された。

関連論文リスト

• Attention Limited Reward Learning [1.4554818659491644]
  限定的な注意が対比較を根本的に歪めることを示す。 分析の結果,学習はラベルの原数ではなく,各ラベルが持つ情報量によって管理されていることがわかった。 この視点は、人間のフィードバックは直接的に明らかな嗜好ではなく、注意に制限された測定プロセスとして扱うべきであることを示唆している。
  論文  参考訳（メタデータ） (2026-07-06T01:33:12Z)
• Unsupervised Susceptibility Distortion Correction of EPI without Calibration Scans via Image Translation-Based Registration [2.2344764434954256]
  機能的磁気共鳴イメージング(fMRI)は、エコープラナーイメージング(EPI)を用いて、高時間分解能の血液酸素レベル依存(BOLD)信号をキャプチャする。 EPIは本質的に磁場の不均一性に敏感であり、相エンコーディング(PE)方向に沿った感受性による幾何歪みをもたらす。 SACREDは、画像翻訳に基づく登録により幾何歪みを補正するキャリブレーション・スキャンフリー・サセプティビリティ・歪み補正フレームワークである。
  論文  参考訳（メタデータ） (2026-06-19T16:44:19Z)
• Bringing Multimodal Large Language Models to Infrared-Visible Image Fusion Quality Assessment [48.882448108261826]
  赤外線可視画像融合(IVIF)は、熱情報と詳細な空間構造を単一の融合画像に統合し、知覚を高めることを目的としている。 近年のIVIF報酬モデリングの取り組みは人間の評価から学ぶが、集計されたスコアにスカラー回帰を用いる。 本稿では,MLLMを用いて人間の視覚知覚を再現し,連続的な品質スコアを生成するFuScoreを紹介する。
  論文  参考訳（メタデータ） (2026-05-07T21:38:09Z)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
  現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。 我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
  論文  参考訳（メタデータ） (2024-08-13T09:01:12Z)
• Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
  これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-06T08:35:29Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Contrastive Attraction and Contrastive Repulsion for Representation Learning [131.72147978462348]
  コントラスト学習(CL)法は,複数の負のサンプルに対して,エンコーダが各正のサンプルと対比する自己超越的な方法でデータ表現を学習する。 最近のCL法は、ImageNetのような大規模データセットで事前訓練された場合、有望な結果を得た。 自己グループ内の正と負のサンプルを別々に比較し、正と負の群を対比して進行する2つのCL戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-08T17:25:08Z)
• On the Applicability of Synthetic Data for Face Recognition [19.095368725147367]
  国境管理の一部として収集された顔画像の使用は、欧州一般データ保護法によって制限され、当初の目的以外は処理されない。 本論文では,StyleGANとStyleGAN2で生成する合成顔画像の適合性を検討し,公的に利用可能な大規模テストデータの不足を補う。
  論文  参考訳（メタデータ） (2021-04-06T22:12:30Z)
• You Only Need Adversarial Supervision for Semantic Image Synthesis [84.83711654797342]
  我々は,高品質な結果を得るためには敵対的監督のみを必要とする,新しい簡易ganモデルを提案する。 本モデルによって合成された画像はより多様であり,実画像の色やテクスチャに密接に従っている。
  論文  参考訳（メタデータ） (2020-12-08T23:00:48Z)
• Understanding Adversarial Examples from the Mutual Influence of Images and Perturbations [83.60161052867534]
  クリーンな画像と敵の摂動を遠ざけることで敵の例を分析し,その相互への影響を分析した。 以上の結果から,画像と普遍摂動の関係に対する新たな視点が示唆された。 我々は、オリジナルトレーニングデータを活用することなく、目標とするユニバーサルアタックの挑戦的なタスクを最初に達成した人物です。
  論文  参考訳（メタデータ） (2020-07-13T05:00:09Z)

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。