자료 사이의 분포 차이
실험실에서 만든 합성 왜곡과 실제 촬영의 복합 열화는 분포가 다를 수 있다. 한 조건에서 학습한 모형이 다른 조건에 약해지는 문제를 다룬다. 이 접근은 두 종류의 왜곡을 함께 평가할 수 있는 통합 학습을 지향한다.
쌍의 우위 확률
각 이미지 품질 자료 안에서 쌍을 뽑아 첫 이미지의 품질이 더 높을 확률을 계산한다. 많은 쌍에 대해 충실도 손실을 이용해 신경망을 최적화한다. 자료마다의 절대 점수를 무조건 같은 단위로 취급하는 것과는 다른 학습 신호다.
불확실성 추정의 제약
최적화에서 힌지 제약을 명시적으로 넣어 불확실성 추정을 정규화한다. 예측 품질과 그 판단의 불확실성을 구분해 다루는 방향이다. 모형이 불확실성을 출력한다고 개별 이미지의 오류 가능성이 완벽히 보정된다는 뜻은 아니다.
확률과 점수 차이
설명용으로 A가 B보다 낫다는 확률이 0.6이라는 정보만으로 두 이미지의 점수가 정확히 몇 점 차이인지 정할 수는 없다. 불확실성이 다르면 같은 평균 차이도 다른 비교 확률로 연결될 수 있다. 실제 모형식이나 데이터 수치가 아닌 관계 설명이다.