RAID-dataset: menselijke reacties op affine afbeeldingsvervormingen en Gaussische ruis

Waarom kleine beeldveranderingen belangrijk zijn voor je ogen

Elke dag verwerken je ogen moeiteloos foto’s die gekanteld, ingezoomd, verschoven of een beetje korrelig zijn — denk aan het fotograferen van een bewegend onderwerp met je telefoon of het scrollen langs licht onscherpe beelden op sociale media. Maar hoe merken mensen deze veranderingen precies op, en kunnen computers worden getraind om beeldkwaliteit op dezelfde manier te beoordelen als wij? Dit artikel introduceert een nieuwe dataset, RAID, die nauwkeurig meet hoe menselijke waarnemers reageren op eenvoudige maar veelvoorkomende afbeeldingsvervormingen en daarmee een brug slaat tussen alledaagse visuele ervaring en de algoritmen achter camera’s, streamingdiensten en kunstmatige intelligentie.

Veelvoorkomende beeldaanpassingen op de proef gesteld

De onderzoekers richtten zich op vier heel basale veranderingen die voortdurend optreden in zowel de echte wereld als in digitale beelden: rotatie (het kantelen van een afbeelding), translaties (het zijwaarts verschuiven), schaalverandering (in- of uitzoomen) en het toevoegen van korreligheid die bekendstaat als Gaussische ruis. In tegenstelling tot veel bestaande databases voor beeldkwaliteit die de nadruk leggen op compressie-artifacten of digitale storingen, bootsen deze transformaties na wat er gebeurt als je je hoofd beweegt, je blik verplaatst, of als objecten verschuiven en lichtomstandigheden veranderen. Met 24 natuurlijke kleurenfoto’s uit een bekende Kodak-collectie creëerde het team negen toenemende niveaus van elke vervorming, plus het origineel, voor in totaal 888 beelden.

Hoe mensen beeldverschillen vergeleken

Om te achterhalen hoe merkbaar deze veranderingen werkelijk zijn, kwamen 210 vrijwilligers naar een gecontroleerd laboratorium, gingen voor gekalibreerde beeldschermen zitten en deden mee aan meer dan 40.000 proeven. In elke proef zagen ze twee paar beelden op het scherm en moesten ze een eenvoudige vraag beantwoorden: welk paar ziet er meer verschillend uit, het linker- of het rechterpaar? Deze methode, in de visiewetenschap bekend als Maximum Likelihood Difference Scaling, stelde de onderzoekers in staat om vele van zulke keuzes om te zetten in een vloeiende “perceptuele schaal” voor elke vervorming. Elk punt op een schaal geeft aan hoe sterk een gegeven vervormingsniveau aanvoelt voor de gemiddelde waarnemer, van nauwelijks zichtbaar tot duidelijk opvallend.

Timing: hoe snel reageert het brein

Terwijl deelnemers hun keuzes maakten, registreerde het experiment ook hoe lang zij deden over hun antwoord. Deze reactietijden toonden een klassiek patroon dat ook in andere perceptiegebieden voorkomt: wanneer het verschil tussen de beelden zeer klein of juist extreem groot was, reageerden mensen relatief snel, maar bij tussenliggende moeilijkheid liepen ze vertraging op. Naarmate de vervormingen sterker werden, had het visuele systeem minder tijd nodig om te beslissen welk paar meer verschilde. Dit gedrag komt overeen met een bekende regel in de psychologie, Piéron’s wet, die sterkere sensorische signalen koppelt aan snellere reacties en ondersteunt het idee dat de dataset echte eigenschappen van menselijk zien vastlegt in plaats van willekeurige ruis in beslissingen van deelnemers.

Vergelijking met bestaande kwaliteitscores

Om de nieuwe data nuttig te maken voor ingenieurs en wetenschappers die al op gevestigde beeldkwaliteitsbenchmarks vertrouwen, vergeleken de auteurs hun metingen voor geraasde beelden met scores uit een populaire database genaamd TID2013, waarin mensen beeldkwaliteit beoordeelden op een gebruikelijke “meningsscore”-schaal. Ze vonden een sterke, bijna rechte lijnrelatie: vervormingen die RAID-waarnemers als opvallender beoordeelden, kregen in TID2013 doorgaans lagere kwalitatieve scores. Deze koppeling stelde het team in staat om een eenvoudige formule af te leiden om hun perceptuele schaalwaarden naar standaard meningsscores om te zetten, waardoor het eenvoudiger wordt RAID te combineren met oudere datasets en in bestaande evaluatiepijplijnen te integreren.

Waarom dit belangrijk is voor visie en AI

Buiten het aansluiten bij eerder werk benadrukt de nieuwe dataset gevallen waarin haar zorgvuldige metingen beter presteren dan traditionele meningsscores. Door doelbewust te zoeken naar afbeeldingsparen waarbij de ene methode zegt dat de vervormingen vergelijkbaar zijn terwijl de andere zegt dat ze heel verschillend zijn, en vervolgens mensen te vragen wie gelijk heeft, tonen de auteurs aan dat hun benadering meestal beter overeenkomt met wat kijkers daadwerkelijk zien. De dataset onthult ook intuïtieve patronen: een lichte helling springt veel meer in het oog in een zeegezicht met een sterke horizon dan in een drukke scène vol schuine vormen, en ruis valt meer op in egale luchten dan op gedetailleerde texturen. Gecombineerd betekent dit dat RAID een rijkere, meer mensgerichte beschrijving biedt van hoe we alledaagse veranderingen in afbeeldingen opmerken, en daarmee een solide testbasis levert om zowel modellen van menselijk zicht als AI-systemen die de wereld proberen te zien zoals wij te verbeteren.

Bronvermelding: 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

Trefwoorden: beeldkwaliteit, menselijk zicht, visuele waarneming, beeldvervormingen, psychofysica