量化保真度：基于决定性特征的方法比较合成与真实图像
人工智能
2026-01-29 v3
摘要
尽管通过先进模拟器和生成式AI提高了视觉真实感，但最近的研究表明，像级保真度本身并不足以确保从仿真到真实世界的可靠迁移。真正重要的是系统-under-test（SUT）是否基于两种真实和模拟环境中一致的决策证据做出决策，而不仅仅是图像对人类“看起来真实”。为此，本文提出一种基于行为的保真度度量，引入决定性特征保真度-Decisive Feature Fidelity（DFF），这是一种新的SUT特定指标，将现有保真度谱spectrum扩展以捕获机制等价性，即SUT基于其决策所依赖的模型特定决定性证据在不同域之间的一致性。DFF利用可解释AI方法识别和比较驱动SUT输出的决定性特征，以匹配的真实-合成对。我们进一步提出了基于反事实解释的估计器，以及一种DFF引导的校准方案以增强模拟器保真度。在2126对匹配的KITTI-VirtualKITTI2数据集上进行实验，结果表明DFF揭示了常规输出值保真度所忽略的差异。此外，结果表明DFF引导的校准在不牺牲输出值保真度的前提下，提高了决策特征和输入级保真度。
引用
@article{arxiv.2512.16468,
title = {Quantifying Fidelity: A Decisive Feature Approach to Comparing Synthetic and Real Imagery},
author = {Danial Safaei and Siddartha Khastgir and Mohsen Alirezaei and Jeroen Ploeg and Son Tong and Chih-Hong Cheng and Xingyu Zhao},
journal= {arXiv preprint arXiv:2512.16468},
year = {2026}
}