Por décadas, computadores aprenderam a comparar imagens da mesma forma: atribuindo uma nota única para indicar o quanto duas fotografias eram parecidas. Um novo estudo internacional, porém, demonstra que essa lógica está distante da maneira como seres humanos realmente enxergam o mundo. Afinal, duas imagens podem ser semelhantes pela cor, diferentes pela textura, idênticas na composição ou completamente distintas quando analisadas sob outro aspecto.

É justamente essa multiplicidade da percepção humana que motivou pesquisadores da Carnegie Mellon University, Adobe Research e University of California, Berkeley a desenvolverem uma tecnologia capaz de compreender diferentes "sentidos" da similaridade visual. O trabalho apresenta a métrica Text-Prompted Image Perceptual Similarity (TPIPS), considerada pelos autores um passo importante para aproximar a inteligência artificial da percepção humana.

Assinado pelos pesquisadores Sheng-Yu Wang, Yotam Nitzan, Aaron Hertzmann, Jun-Yan Zhu, Eli Shechtman, Alexei A. Efros e Richard Zhang, o estudo propõe abandonar a ideia de que existe apenas uma resposta correta quando duas imagens são comparadas.

Segundo os autores, "os julgamentos humanos de similaridade visual dependem do contexto". Isso significa que uma pessoa pode considerar duas fotografias semelhantes pela iluminação, enquanto outra pode priorizar a posição dos objetos ou o cenário ao fundo. Os sistemas atuais de visão computacional, entretanto, reduzem toda essa riqueza perceptiva a um único valor numérico.

Para superar essa limitação, a equipe construiu um dos maiores bancos de dados já produzidos sobre percepção visual humana. Foram coletados mais de 1 milhão de julgamentos realizados por pessoas, envolvendo aproximadamente 25 mil conjuntos de imagens analisados sob centenas de milhares de aspectos diferentes.

Cada participante avaliava grupos de três imagens e respondia qual delas era a mais diferente considerando um critério específico, como cor, pose, iluminação, textura, composição, fundo ou diversos outros atributos.

Os resultados revelaram uma deficiência importante dos atuais modelos multimodais de inteligência artificial. Mesmo sistemas considerados de última geração ainda apresentam diferenças significativas em relação ao julgamento humano quando precisam comparar imagens levando em conta um aspecto específico.

Para reduzir essa distância, os pesquisadores utilizaram o enorme conjunto de avaliações humanas para treinar um novo modelo, denominado TPIPS.

Os experimentos mostraram ganhos expressivos. No principal teste do estudo, o novo sistema alcançou 64,7% de concordância com decisões humanas, aproximando-se do consenso entre os próprios avaliadores, que ficou em 67,5%. Em avaliações realizadas com imagens produzidas por algoritmos externos, o desempenho atingiu 79,3%, superando diversos modelos tradicionais e aproximando-se novamente do comportamento humano.

Segundo os autores, a pesquisa demonstra que compreender imagens não significa apenas reconhecer objetos, mas entender exatamente em qual dimensão da imagem a comparação deve ser realizada.

Essa mudança pode parecer sutil, mas possui enorme impacto para aplicações de inteligência artificial.

Sistemas de busca poderão localizar imagens semelhantes apenas pela iluminação ou pela composição artística. Ferramentas de edição poderão verificar automaticamente se uma fotografia preservou determinada característica após sofrer modificações. Modelos generativos também poderão ser avaliados com muito mais precisão, verificando se reproduziram exatamente o aspecto desejado. O avanço ocorre em um momento de rápida expansão da inteligência artificial multimodal.

Nos últimos anos, modelos capazes de compreender simultaneamente texto e imagens transformaram áreas como medicina, segurança, publicidade, produção audiovisual e criação artística. Apesar dessa evolução, especialistas reconhecem que ainda existe uma diferença importante entre o modo como máquinas e pessoas interpretam informações visuais.

A pesquisa busca justamente diminuir essa distância.

Richard Zhang, um dos autores responsáveis por trabalhos anteriores sobre métricas perceptuais, argumenta que a percepção visual humana é naturalmente multidimensional e não pode ser resumida a um único número. A nova abordagem procura representar essa complexidade utilizando instruções em linguagem natural para orientar a comparação entre imagens.

O estudo também aponta limitações importantes.

Os pesquisadores reconhecem que o sistema exige maior capacidade computacional do que métricas tradicionais e ainda herda possíveis vieses presentes tanto nos dados utilizados quanto nas avaliações humanas. Além disso, a diversidade das imagens empregadas no treinamento ainda pode ser ampliada em pesquisas futuras.

Mesmo assim, os autores defendem que a contribuição vai além de uma nova ferramenta para pesquisadores.

Segundo eles, métricas mais alinhadas à percepção humana poderão aumentar a transparência dos sistemas de inteligência artificial, facilitar auditorias, melhorar mecanismos de interpretação das decisões tomadas pelos modelos e oferecer instrumentos mais robustos para regulamentação pública à medida que tecnologias generativas se tornam cada vez mais presentes na sociedade.

O trabalho representa também uma mudança de paradigma na visão computacional. Em vez de perguntar simplesmente se duas imagens são parecidas, a inteligência artificial passa a responder em que sentido elas são semelhantes — uma distinção que aproxima as máquinas da forma como seres humanos observam, interpretam e atribuem significado ao mundo visual.

Caso os resultados sejam confirmados em aplicações práticas, especialistas avaliam que a pesquisa poderá influenciar futuras gerações de mecanismos de busca, sistemas de recomendação, robótica, diagnósticos médicos por imagem e modelos generativos, estabelecendo um novo padrão para avaliação perceptual em inteligência artificial. O estudo reforça ainda uma tendência crescente na ciência da computação: aproximar cada vez mais os algoritmos das capacidades cognitivas humanas, tornando-os não apenas mais precisos, mas também mais sensíveis ao contexto em que as informações são interpretadas.