論文の概要: Multidimensional Observer Model and Perceptual Dimensions of Human Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2609.38487v1
• Date: Tue, 29 Sep 2026 20:15:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.712692
• Title: Multidimensional Observer Model and Perceptual Dimensions of Human Image Quality Assessment
• Title（参考訳）: 多次元オブザーバモデルと人間の画像品質評価の知覚次元
• Abstract要約: 本稿では,人間の画像品質判断の基礎となる知覚空間を理解するための枠組みを提案する。 このモデルを用いて、人間の画像品質判断に要する知覚空間は、画像空間と比較して非常に低次元であることが判明した。
• 参考スコア（独自算出の注目度）: 24.640846134232138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Judging image quality is not only ecologically relevant to everyday human tasks, but also underpins many machine vision tasks such as image generation. This paper proposes a framework to understand the inherent perceptual space underlying image quality judgment in humans. We propose a multi-dimensional observer model that represents images as distributions in a latent perceptual space and that models human judgment as comparing noisy samples. Being constrained by neural representations in the primate ventral stream and fit to large-scale behavioral data, the model enables analysis of perceptual structure while matching the predictive power of existing metrics. Using this model, we find that the perceptual spaces needed to account for image quality judgment in humans are extremely low-dimensional compared to the image space even when considering its sparsity. The exact structure of the space (e.g., dimensionalities, information encoded) varies between low-level and high-level quality judgments, suggesting that, despite a shared retinal encoding in the beginning, humans selectively construct task-dependent perceptual spaces in visual decision making.
• Abstract（参考訳）: 画像品質の判断は、日常の人間のタスクに生態学的に関係しているだけでなく、画像生成のような多くのマシンビジョンタスクの基盤でもある。 本稿では,人間の画像品質判断の基礎となる知覚空間を理解するための枠組みを提案する。 本稿では,映像を知覚空間内の分布として表現する多次元オブザーバモデルを提案する。 霊長類の腹腔内の神経表現に制約され、大規模な行動データに適合しているため、モデルは既存のメトリクスの予測力と一致しながら知覚構造の分析を可能にする。 このモデルを用いて、人間の画像品質判断に要する知覚空間は、その空間性を考慮しても、画像空間と比較して非常に低次元であることがわかった。 空間の正確な構造(例えば、次元、エンコードされた情報)は、低レベルと高レベルの品質の判断によって異なり、初期の共有網膜符号化にもかかわらず、視覚的意思決定において人間がタスク依存の知覚空間を選択的に構築することを示唆している。

関連論文リスト

• Human-level 3D shape perception emerges from multi-view learning [63.048728487674815]
  任意のオブジェクトに対する人間の3次元形状推論を予測するためのモデリングフレームワークを開発する。 我々は、自然主義的な知覚データよりも視覚空間的目的を用いて訓練された新しいニューラルネットワークのクラスでこれを達成した。 人間のレベル3D知覚は、自然主義的な視覚空間データよりもシンプルでスケーラブルな学習目標から生まれる可能性がある。
  論文  参考訳（メタデータ） (2026-02-19T18:56:05Z)
• 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)
• Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
  我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。 我々は500人以上の参加者から行動データの35万件の試行を収集した。 次に、一般的な視覚モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-09T17:59:13Z)
• HyperHuman: Hyper-Realistic Human Generation with Latent Structural Diffusion [114.15397904945185]
  本稿では,高リアリズムと多彩なレイアウトの人体画像を生成する統一的なフレームワークHyperHumanを提案する。 本モデルは,統合ネットワークにおける画像の外観,空間的関係,幾何学の連成学習を強制する。 我々のフレームワークは最先端の性能を生み出し、多様なシナリオ下で超現実的な人間の画像を生成する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:34Z)
• Evaluating alignment between humans and neural network representations in image-based learning tasks [5.657101730705275]
  トレーニング済みの860ドルのニューラルネットワークモデルの表現が、人間の学習軌跡にどのようにマッピングされているかテストしました。 トレーニングデータセットのサイズは人間の選択に沿った中核的な決定要因であるのに対し、マルチモーダルデータ(テキストと画像)による対照的なトレーニングは、人間の一般化を予測するために現在公開されているモデルの一般的な特徴であることがわかった。 結論として、事前訓練されたニューラルネットワークは、タスク間で伝達可能な認知の基本的な側面を捉えているように見えるため、認知モデルのための表現を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2023-06-15T08:18:29Z)
• Human alignment of neural network representations [28.32452075196472]
  ニューラルネットワークで学習した表現と行動応答から推定される人間の心的表現のアライメントに影響を与える要因について検討する。 モデルスケールとアーキテクチャは基本的に人間の行動応答に影響を与えないことがわかった。 食物や動物などの人間の概念はニューラルネットワークによってよく表現されているのに対し、ロイヤルやスポーツ関連の物体はそうではない。
  論文  参考訳（メタデータ） (2022-11-02T15:23:16Z)
• Ultrafast Image Categorization in Biology and Neural Models [0.0]
  生態学的に人間に関係のある2つの独立したタスクについて,標準VGG 16 CNNを再訓練した。 ネットワークの再トレーニングは、精神物理学的なタスクで報告されたのに匹敵する、人間のようなパフォーマンスのレベルを達成することを示す。
  論文  参考訳（メタデータ） (2022-05-07T11:19:40Z)

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。