RAIDデータセット：アフィンな画像歪みとガウス雑音に対する人間の反応

ごく小さな画像の変化が目に重要な理由

日々、目は傾いた写真やズームされた写真、少し移動したもの、あるいはざらつきのある写真を何なく扱っています。例えば、動く被写体をスマートフォンで撮るときや、ややぼやけたソーシャルメディアの画像をスクロールするときなどです。しかし、人は具体的にこれらの変化をどのように知覚するのでしょうか。また、コンピュータに我々と同じように画像品質を評価させることは可能でしょうか。本稿で紹介する新しいデータセット「RAID」は、単純だが日常的に起こる画像の歪みに対する人間の反応を注意深く測定し、日常の視覚体験とカメラ、ストリーミングサービス、人工知能を支えるアルゴリズムとの橋渡しを目指しています。

よくある画像の調整を検証する

研究者たちは現実世界やデジタル画像で頻繁に起きる4種類の基本的な変化に着目しました：回転（画像の傾き）、平行移動（横方向のスライド）、スケーリング（ズームイン・ズームアウト）、そしてガウス雑音として知られる粒状ノイズの付加です。多くの既存の画像品質データベースが圧縮アーティファクトやデジタルの異常に焦点を当てるのに対し、これらの変換は頭を動かしたり視線をずらしたり、物体や照明が動くときに起きる現象を模しています。よく知られたKodakの24枚の自然色写真を用い、各歪みについて9段階の強さと原画像を加え、合計888枚の画像を作成しました。

人々は画像の違いをどう比較したか

これらの変化がどれほど目立つかを調べるために、210人のボランティアが管理された実験室に集まり、較正されたモニターの前に座って4万回以上の試行に参加しました。各試行では、画面に左右の二組の画像が表示され、単純な質問に答えてもらいました：どちらのペアの方が互いにより異なって見えるか、左のペアか右のペアか？ この手法は視覚科学で最大尤度差分スケーリング（Maximum Likelihood Difference Scaling）として知られ、多数の選択を滑らかな「知覚スケール」へと変換することを可能にしました。スケール上の各点は、ある歪みの段階が平均的な観察者にとってどれほど強く感じられるかを示し、ほとんど見えないものから明らかに目立つものまでを位置づけます。

脳の反応速度を計測する

被験者が選択を行う間、実験では応答にかかる時間も記録しました。これらの反応時間は、知覚の他領域で見られる古典的なパターンを示しました：画像間の違いが非常に小さいか非常に大きい場合には比較的速く回答し、中程度の難易度では遅くなるというものです。歪みが強くなるほど、どちらのペアがより異なるかを決めるのに視覚系はより短い時間を要しました。この振る舞いは、強い感覚信号がより速い反応と結びつくという心理学のよく知られた法則、ピエロンの法則と一致しており、このデータセットが被験者の判断のランダムノイズではなく人間の視覚の実際の特性を捉えていることを支持します。

既存の品質スコアとの照合

既存の画像品質ベンチマークを既に使っている技術者や研究者に役立てるため、著者らはノイズ画像に対する自らの測定値を、典型的な「意見スコア」尺度で画像品質が評価された人気データベースTID2013のスコアと比較しました。その結果、ほぼ直線的な強い相関が見られました：RAIDの観察者がより目立つと判断した歪みは、TID2013でも低い品質スコアを受ける傾向がありました。この関係を利用して、知覚スケールの値を標準的な意見スコアに変換する単純な式を導き出し、RAIDを既存のデータセットと組み合わせたり既存の評価パイプラインに組み込んだりすることを容易にしました。

視覚科学とAIにとっての意義

従来研究との整合性を示すだけでなく、この新しいデータセットは、入念な測定が従来の意見スコアより優れるケースも明らかにします。1つの手法では歪みが似ているとされ、もう1つでは大きく異なるとされる画像ペアを意図的に探し出し、どちらが正しいかを人々に尋ねることで、著者らは自らのアプローチが視聴者の実際の見え方とより一致する傾向があることを示しています。データはまた直感的なパターンを浮かび上がらせます：わずかな傾きは強い地平線を持つ海景でははるかに目立つが、角ばった形が多い雑然とした場面ではそうではない、滑らかな空では雑音が目立ちやすく、詳細なテクスチャでは目立ちにくい、といった具合です。これらを総合すると、RAIDは日常的な画像の変化を私たちがどのように知覚するかについて、より豊かで人間中心の記述を提供し、人間の視覚モデルや世界を我々と同じように見ようとするAIシステムの改良のための堅実な検証基盤を提供します。

引用: Daudén-Oliver, P., Agost-Beltran, D., Sansano-Sansano, E. et al. RAID-Dataset: human responses to affine image distortions and Gaussian noise. Sci Data 13, 256 (2026). https://doi.org/10.1038/s41597-026-06581-0

キーワード: 画像品質, 人間の視覚, 視覚知覚, 画像の歪み, サイコフィジックス