論文の概要: Do Generative Priors Align with Human Naturalness Perception?

• arxiv url: http://arxiv.org/abs/2610.09928v1
• Date: Wed, 07 Oct 2026 12:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.899437
• Title: Do Generative Priors Align with Human Naturalness Perception?
• Title（参考訳）: 生成的優先性は人間の自然認識と相容れないか?
• Abstract要約: 25個のオープン画像とビデオ生成装置にまたがるネイティブ予測誤差を探索する。 損失差は、人間の選択的な感性と寛容性を再現する。 また、人間のような自然性判断が、一般的な違反検出から解離することも見いだした。
• 参考スコア（独自算出の注目度）: 2.7920304852537536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual generative models are trained to capture the probability distributions of natural images, yet whether their native priors reflect the regularities governing human perception of image naturalness remains an open question. Here, we probe these priors through native prediction errors across 25 open image and video generators. Because raw single-image losses are dominated by scene content and visual complexity, we evaluate directional loss differences using content-preserving, paired relational interventions that selectively disrupt facial configurations or physical illumination consistency while limiting changes in low-level image statistics. Across both domains, these loss differences reproduce human-like selective sensitivities and tolerances, capturing the classic Thatcher effect on faces and shape-dependent responses to illumination inconsistencies. Notably, these loss differences reliably track continuous gradations of human naturalness judgments across individual stimulus pairs (peaking at $r = .84$ on faces and $.64$ on physical scenes) and retain unique human-aligned signals even after controlling for feature distances from frozen vision encoders and standard image quality metrics. We also find that while overall sensitivity to these violations broadly covaries with human alignment across models, the two systematically decouple along denoising schedules, with alignment peaking earlier than sensitivity, revealing that human-like naturalness judgments dissociate from generic violation detection. Together, these findings demonstrate that learning visual distributions yields generative loss landscapes that capture distinct aspects of human naturalness perception.
• Abstract（参考訳）: 画像生成モデルは、自然画像の確率分布を捉えるために訓練されているが、その原点が人間の自然な知覚を規定する規則性を反映しているかは、未解決の問題のままである。 ここでは,25個のオープン画像およびビデオ生成装置にまたがる予測誤差から,これらの先行情報を探索する。 低レベルの画像統計量の変化を抑えつつ、顔構成や身体的照明の整合性を選択的に破壊する、コンテンツ保存・ペアリレーショナル介入による方向損失差の評価を行う。 どちらの領域でも、これらの損失差は人間の選択的な感度と耐性を再現し、顔に対する古典的なサッチャー効果と、照明の不整合に対する形状に依存した反応を捉えている。 これらの損失差は、個々の刺激対間での人間の自然性判定の連続的な階調を確実に追跡し(顔は$r = .84$、物理的シーンは$.64$)、凍結した視覚エンコーダと標準的な画像品質測定値から特徴距離を制御した後でも、ユニークな人間に沿った信号を保持する。 また、これらの違反に対する全体的な感度は、モデル全体にわたる人間のアライメントと広く一致しているのに対し、両者は体系的にデノベーションスケジュールに沿って分離しており、アライメントは感度よりも早くピークに達しており、人間の様の自然性判断が一般的な違反検出から解離することを明らかにする。 これらの知見は、学習した視覚分布は、人間の自然性知覚の異なる側面を捉えた、生成的損失の風景をもたらすことを示した。

関連論文リスト

• Human face perception reflects inverse-generative and naturalistic discriminative objectives [2.4126189670630733]
  ディープニューラルネットワークは人間の顔知覚に機械的仮説を提供する。 我々は、アーキテクチャを共有する6つのニューラルネットワークモデルを比較したが、異なるタスクで訓練した。 864人の被験者の顔相違判定に対するモデル予測を検証した。
  論文  参考訳（メタデータ） (2026-05-12T18:06:57Z)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Synthesis and Perceptual Scaling of High Resolution Naturalistic Images Using Stable Diffusion [0.43748379918040853]
  段階的遷移を特徴とする光リアル画像の刺激セットを作成する。 各オブジェクトシーンに対して、知覚連続体に沿って順序付けられた10の変種を生成する。 この順序付けは、作業記憶実験における刺激の難解性も予測できる。
  論文  参考訳（メタデータ） (2024-10-16T20:49:19Z)
• Describing Images $\textit{Fast and Slow}$: Quantifying and Predicting the Variation in Human Signals during Visuo-Linguistic Processes [4.518404103861656]
  本研究では,ビジュオ言語信号の変動の性質について検討し,それらが相互に相関していることを確認した。 この結果から,画像の特性から変化が生じると仮定し,事前学習された視覚エンコーダによって符号化された画像表現が,そのような変化を捉えることができるかどうかを考察する。 以上の結果から, 事前学習モデルでは, 刺激が複雑になる要因や, 人間の出力の変動要因について, 偏見が欠如していることが示唆された。
  論文  参考訳（メタデータ） (2024-02-02T12:11:16Z)
• Exploring the Naturalness of AI-Generated Images [59.04528584651131]
  我々は、AI生成画像の視覚的自然性をベンチマークし、評価する第一歩を踏み出した。 本研究では,人間の評価を整列するAGIの自然性を自動予測するジョイント・オブジェクト・イメージ・ナチュラルネス評価器(JOINT)を提案する。 その結果,JOINTは自然性評価において,より主観的に一貫した結果を提供するために,ベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2023-12-09T06:08:09Z)
• Benchmarking Algorithmic Bias in Face Recognition: An Experimental Approach Using Synthetic Faces and Human Evaluation [24.35436087740559]
  顔認識システムにおけるバイアスを測定する実験手法を提案する。 本手法は,ニューラルフェイスジェネレータを用いて合成顔を生成する。 我々は3つの研究グレードの顔認識モデルの人種と性別の偏りを定量的に評価する。
  論文  参考訳（メタデータ） (2023-08-10T08:57:31Z)
• 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)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)

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。