LPIFM: Una Misura di Preferenza Appresa a Coppie per la Valutazione della Fusione Infrarosso-Visibile
Un nuovo modello chiamato Learned Perceptual Image Fusion Measure (LPIFM) è stato sviluppato da ricercatori per valutare gli algoritmi di fusione di immagini infrarosso-visibile (IVIF) secondo le preferenze umane. A differenza delle valutazioni IVIF convenzionali che dipendono da metriche oggettive scalari—spesso in disaccordo con la valutazione umana—LPIFM utilizza un surrogato scalabile basato sul metodo di confronto A/B/Tie. Questo modello analizza simultaneamente due sorgenti e due immagini fuse per determinare quale sia superiore o se siano percettivamente simili. Addestrato su un dataset completo di preferenze che include tutti i 6.300 confronti non ordinati tra 25 algoritmi di fusione, LPIFM mitiga efficacemente il costo quadratico dei confronti diretti a coppie, migliorando la ripetibilità e la scalabilità delle valutazioni soggettive. Questa ricerca è dettagliata nell'articolo arXiv 2608.01301v3, disponibile su https://arxiv.org/abs/2608.01301.
Fatti principali
- LPIFM è un modello condizionato dalla sorgente per classificare gli algoritmi di fusione infrarosso-visibile.
- Prevede se A è migliore, B è migliore, o i due sono percettivamente equivalenti.
- Il modello è addestrato su un corpus denso di preferenze che copre tutti i 6.300 confronti non ordinati tra 25 algoritmi di fusione.
- La valutazione IVIF tradizionale usa metriche oggettive scalari che spesso discordano con il giudizio umano.
- Il confronto diretto a coppie è un protocollo consolidato ma il suo costo cresce quadraticamente con il numero di algoritmi.
- LPIFM rende operativo il protocollo di confronto umano A/B/Tie come un surrogato ripetibile e scalabile.
- L'articolo è disponibile su arXiv con ID 2608.01301v3.
- Il tipo di annuncio è replace-cross.
Entità
—