通过将二项分布拟合到二选一迫选数据来评估感知距离模型
计算机视觉与模式识别
2025-10-07 v4
摘要
在心理物理学 (PF) 中，二选一迫选 (2AFC) 范式相比平均意见分 (MOS) 范式具有优势，例如简单性和鲁棒性。然而，在评估感知距离模型时，MOS 能够实现模型预测与 PF 数据之间的直接相关性。相比之下，当比较包含共享图像时，2AFC 仅允许将成对比较转换为类似于 MOS 的质量排名。在像 BAPPS 这样的大型数据集中，图像块和失真随机组合，由于每次比较中包含的失真图像是独立的，从 2AFC PF 数据中推导排名变得不可行。为了解决这个问题，研究人员没有依赖 MOS 相关性，而是训练了专门的神经网络来基于成对的模型距离重现 2AFC PF 数据——这是一种具有概念和操作局限性的黑盒方法。本文引入了一种更鲁棒的距离模型评估方法，使用纯概率方法，将最大似然估计应用于二项决策模型。如通过对两个 2AFC PF 数据集上的各种视觉距离模型进行评估所示，我们的方法展现出卓越的简单性、可解释性、灵活性和计算效率。
引用
@article{arxiv.2403.10390,
title = {Evaluating Perceptual Distance Models by Fitting Binomial Distributions to Two-Alternative Forced Choice Data},
author = {Alexander Hepburn and Raul Santos-Rodriguez and Javier Portilla},
journal= {arXiv preprint arXiv:2403.10390},
year = {2025}
}