广义人物多样性：学习与人类感知对齐的人物图像多样性表示

基于摘要分析。本文研究人物图像排序如何超越少数预设属性，呈现更符合人类感知的多样性，提出 Perception-Aligned Text-derived Human representation Space（PATHS），并将其作为标准 Maximal Marginal Relevance（MMR）排序算法的表示空间。 PATHS 分两阶段构建：先通过文本引导，从预训练图文模型中提取人物多样性表示；再利用人类标注者的感知判断微调该表示，使其突出人们认为重要的人物相似性因素。其方法重点是调整排序所依赖的表示，而非仅围绕一两个属性构建分类器。摘要以残障、文化服饰等作为希望覆盖的多样性维度示例，并不意味着这些维度均有独立量化验证。 作者报告，在人类标注者的并排评价中，PATHS 的多样性表现优于基线方法。摘要未提供数据集、样本规模、基线名称、评分数值或统计信息，具体实验协议、消融及统计信息尚未验证。文中“无需标签”的表述应结合阶段理解：方法减少对预设属性标签的依赖，但第二阶段仍使用人类感知判断，并非完全无人工监督。 研究的主要对象是人物图像的感知对齐与多样性排序，不是神经信号解码。其表示构建依赖预训练图文模型及人类感知判断，当前材料未建立这些条件与 EEG/BCI 任务之间的具体对应关系，因此不据此提出迁移有效性结论或复现实验建议；相关 EEG 工作尚未检索确认。复现前需核对文本引导方式、感知判断的采集与微调目标，以及 MMR 配置和人类评价协议。