불안정한 표본의 학습 영향
품질 예측의 안정성은 학습 표본마다 다를 수 있다. 모든 표본을 같은 방식으로 가중하면 불안정한 신호가 갱신에 크게 작용할 수 있다. Q-Hawkeye는 예측 불확실성에 맞추어 학습 신호를 조정한다.
여러 실행에서 불확실성 추정
여러 롤아웃의 예측 점수 분산으로 불확실성을 추정하고 표본별 갱신 강도를 다시 정한다. 낮은 변동과 높은 정확성은 다른 성질이다. 반복해서 같은 점수를 내더라도 판단 근거가 잘못될 수 있다.
시각적 근거의 학습
열화 이미지와 원본 이미지의 쌍을 구성하고 암시적 지각 손실을 도입한다. 언어로 된 설명에만 치우치지 않고 실제 시각 근거에 품질 판단이 연결되도록 하는 방향이다. 이 학습 구성과 추론 시 입력 조건은 구분해서 확인해야 한다.
안정성과 정확성의 독립 예
설명용으로 한 모형이 매번 5점을 내고 다른 모형이 4점과 6점을 오갈 수 있다. 첫 모형의 변동이 작아도 사람의 정답이 2점이라면 정확하다고 할 수 없다. 실제 연구 점수를 사용하지 않은 불확실성 해석의 예다.
관련 문서
Q-Insight / Q-SiT / OmniQuality-R / T2IScoreScore / 텍스트 이미지 지표의 구성 타당도 / MSTRIQ