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征

基于摘要分析。本文研究人物图像排序中的多样性：不同于围绕一两个预设属性、依赖属性标注或分类器的方法，作者提出 Perception-Aligned Text-derived Human representation Space（PATHS），通过学习与人类感知对齐的表征，使排序覆盖更多人物差异。 方法分为两个阶段：首先利用文本引导，从预训练图文模型中提取人物多样性表征；随后使用人工标注者的感知判断微调该表征，强调人类认为更显著的人物相似性因素。PATHS 被用作标准 Maximal Marginal Relevance（MMR）排序算法的表征空间，以呈现包括残障、文化服饰等不同维度的人物多样性。这里的“无需标签”主要指不依赖预设人物属性标签，并不意味着完全没有人工监督，因为第二阶段使用了人工感知判断。 作者报告，在人工标注者的并排评价中，PATHS 获得了优于基线方法的多样性表现。摘要未给出具体基线、数据集、样本规模、评价数值或统计不确定性，实验协议、消融及统计信息尚未验证；预训练图文模型、文本引导方式、微调目标及复现资源也需核对全文。 该研究的主要对象是人物图像检索与排序，并非神经信号表征或 BCI。材料未建立人物感知多样性与 EEG/BCI 瓶颈之间的具体对应关系，因此不据此提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。