Test de Turing de Personnalisation Visuelle

papers.abstract

Nous introduisons le Test de Turing de Personnalisation Visuelle (VTPV), un nouveau paradigme pour évaluer la personnalisation visuelle contextuelle basée sur l'indiscernabilité perceptuelle plutôt que sur la réplication d'identité. Un modèle réussit le VTPV si sa production (image, vidéo, actif 3D, etc.) est indiscernable, pour un humain ou un modèle de langage visuel (MLV) calibré, d'un contenu qu'une personne donnée pourrait vraisemblablement créer ou partager. Pour opérationnaliser le VTPV, nous présentons le Cadre VTPV, intégrant un benchmark de 10 000 personae (VTPV-Bench), un générateur augmenté par récupération visuelle (GARV), et le Score VTPV, une métrique textuelle calibrée sur les jugements humains et des MLV. Nous montrons une forte corrélation entre les évaluations humaines, par MLV et par VTPV, validant le Score VTPV comme un proxy perceptuel fiable. Les expériences démontrent que le GARV atteint le meilleur équilibre alignement-originalité, offrant une base évolutive et respectueuse de la vie privée pour l'IA générative personnalisée.

English

We introduce the Visual Personalization Turing Test (VPTT), a new paradigm for evaluating contextual visual personalization based on perceptual indistinguishability, rather than identity replication. A model passes the VPTT if its output (image, video, 3D asset, etc.) is indistinguishable to a human or calibrated VLM judge from content a given person might plausibly create or share. To operationalize VPTT, we present the VPTT Framework, integrating a 10k-persona benchmark (VPTT-Bench), a visual retrieval-augmented generator (VPRAG), and the VPTT Score, a text-only metric calibrated against human and VLM judgments. We show high correlation across human, VLM, and VPTT evaluations, validating the VPTT Score as a reliable perceptual proxy. Experiments demonstrate that VPRAG achieves the best alignment-originality balance, offering a scalable and privacy-safe foundation for personalized generative AI.