通过先验偏好学习实现高效的视觉外观优化

DOI

调整亮度、对比度等视觉参数是我们日常生活中的常见操作。由于搜索空间庞大且缺乏明确的客观函数，寻找最优参数设置具有挑战性，用户只能依赖其隐含偏好。先前的工作探索了偏好贝叶斯优化（PBO）来解决这一难题，包括让用户迭代地从候选集中选择首选设计。然而，PBO通常需要多轮偏好比较，更适合设计师而非日常最终用户。我们提出了Meta-PO，这是一种将PBO与元学习相结合的新方法，以提高样本效率。具体而言，Meta-PO推断先验用户的偏好并将其存储为模型，这些模型被用于智能地为新用户推荐设计候选，从而实现更快的收敛和更个性化的结果。我们对2D和3D内容的外观设计任务进行了实验评估，结果表明当参与者与群体共享相似目标（例如调整“暖色”外观）时，使用Meta-PO的参与者在5.86次迭代中达到满意的外观，而即使在跨不同目标泛化时（例如从“复古”、“暖色”到“假日”风格）也仅需8次迭代。Meta-PO通过基于偏好的更高效可泛化优化，使个性化视觉优化更适合最终用户，并有潜力在更广泛的界面个性化中应用。