Visuele Personalisatie Turingtest

Samenvatting

Wij introduceren de Visuele Personalisatie Turing Test (VPTT), een nieuw paradigma voor het evalueren van contextuele visuele personalisatie op basis van perceptuele ononderscheidbaarheid, in plaats van identiteitsreplicatie. Een model slaagt voor de VPTT als de output (afbeelding, video, 3D-asset, etc.) voor een menselijke of gekalibreerde VLM-beoordelaar niet te onderscheiden is van inhoud die een gegeven persoon plausibel zou kunnen creëren of delen. Om de VPTT operationeel te maken, presenteren we het VPTT Raamwerk, dat een benchmark met 10.000 persona's (VPTT-Bench), een visuele retrieval-augmented generator (VPRAG) en de VPTT Score integreert, een tekstuele metric die is gekalibreerd tegen menselijke en VLM-oordelen. Wij tonen een hoge correlatie aan tussen menselijke, VLM- en VPTT-evaluaties, wat de VPTT Score valideert als een betrouwbare perceptuele proxy. Experimenten tonen aan dat VPRAG de beste balans tussen afstemming en originaliteit bereikt, en biedt zo een schaalbare en privacyveilige basis voor gepersonaliseerde generatieve AI.

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.