深度视觉特征的可察觉差建模
计算机视觉与模式识别
2026-01-30 v1
摘要
深度视觉特征日益被用作视觉系统的接口，激励了描述特征特征和控制特征质量以满足机器感知的需求。可察觉差 (JND) 刻画了在人类或机器视觉下图像的最大不可感知扰动。将其扩展到深度视觉特征自然满足上述需求，通过在特征空间中提供任务对齐的容忍边界，为受限资源下的特征质量控制提供实用参考。我们提出 FeatJND，一个任务对齐的 JND 公式，预测在保持下游任务性能的前提下的最大可容忍特征扰动图。我们在标准分割点处提出 FeatJND 估计器，并在图像分类、检测和实例分割上进行验证。在匹配的扰动强度下，FeatJND 基于的扰动在保持更高任务性能方面优于非结构化高斯扰动，归因可视化表明 FeatJND 可抑制非关键特征区域。作为一个应用，我们进一步将 FeatJND 用于 token 级动态量化，FeatJND 导向的步长分配在相同噪声预算下优于随机步长排列和全局统一步长。我们的代码将在发表后公开。
引用
@article{arxiv.2601.21933,
title = {Just Noticeable Difference Modeling for Deep Visual Features},
author = {Rui Zhao and Wenrui Li and Lin Zhu and Yajing Zheng and Weisi Lin},
journal= {arXiv preprint arXiv:2601.21933},
year = {2026}
}