How Many Visual Levers Drive Urban Perception? Interventional Counterfactuals via Multiple Localised Edits

तकनीकी सारांश: शहरी धारणा को कितने दृश्य लीवर (Visual Levers) संचालित करते हैं?

1. समस्या विवरण

वर्तमान स्ट्रीट-व्यू धारणा मॉडल (जो सुरक्षा, धन या जीवंतता जैसे व्यक्तिपरक गुणों की भविष्यवाणी करते हैं) मुख्य रूप से सहसंबंधात्मक (correlational) हैं। हालांकि वे किसी दृश्य को एक स्कोर दे सकते हैं, लेकिन वे यांत्रिक स्पष्टीकरण (mechanistic explanations) प्रदान करने में विफल रहते हैं। विशेष रूप से, वे यह पहचान नहीं पाते कि कौन से स्थानीयकृत, संभावित दृश्य परिवर्तन वास्तव में किसी विशिष्ट दृश्य के लिए मानव निर्णय को बदल देंगे। मौजूदा व्याख्यात्मक विधियाँ (जैसे SHAP या सैलिएंसी मैप्स) यह तो बताती हैं कि मॉडल कहाँ देखता है, लेकिन वे यह परीक्षण नहीं करतीं कि उन विशेषताओं में हेरफेर करने पर क्या होता है। इसके अलावा, शहरी डिजाइन अनुसंधान बताता है कि कई संकेत प्रभाव डालते हैं, लेकिन इन संकेतों को दृश्य-विशिष्ट, वैध रूप से ऑडिट किए गए हस्तक्षेपों के माध्यम से परीक्षण करने के लिए कोई ढांचा उपलब्ध नहीं है।

2. कार्यप्रणाली

लेखक एक हस्तक्षेपकारी प्रतितथ्यात्मक ढांचे (interventional counterfactual framework) का प्रस्ताव करते हैं जो व्याख्यात्मकता को संरचित "लीवर" संपादन के एक सीमित खोज के रूप में मानता है। यह प्रक्रिया तीन विशिष्ट चरणों में विभाजित है:

• चरण 1: लीवर उम्मीदवार निर्माण: लेखक एक "लीवर" को एक टुपल $l = (c, s, d, \tau)$ के रूप में परिभाषित करते हैं, जो एक अवधारणा (concept) (जैसे हरियाली), स्थानिक समर्थन (spatial support) (छवि में विशिष्ट क्षेत्र), दिशा (direction) (जोड़ना, हटाना या मरम्मत करना), और एक नियंत्रित टेम्प्लेट (template) का प्रतिनिधित्व करता है। एक विजन-लैंग्वेज मॉडल (VLM) इन अवधारणाओं को विशिष्ट दृश्य क्षेत्रों में स्थापित करने के लिए एक योजनाकार के रूप में कार्य करता है।
• चरण 2: सीमित स्टोकेस्टिक हस्तक्षेप और वैधता ऑडिट:
  • जनन (Generation): प्रॉम्प्ट-कंडीशन्ड डिफ्यूजन मॉडल (जैसे Qwen-Image-Edit) का उपयोग करके, सिस्टम संपादित दृश्य उत्पन्न करने का प्रयास करता है।
  • ऑडिटिंग (Auditing): क्योंकि जनरेटिव मॉडल अक्सर अनपेक्षित "ड्रिफ्ट" पेश करते हैं, इसलिए प्रत्येक संपादन को एक VLM-आधारित वैधता ऑडिट से गुजरना चाहिए। एक संपादन तभी रखा जाता है यदि वह चार मानदंडों को पूरा करता हो: (1) समान-स्थान संरक्षण, (2) लक्ष्य के प्रति स्थानीयता, (3) यथार्थवाद, और (4) इच्छित लीवर की संभाव्यता।
• चरण 3: मॉडल-आधारित मूल्यांकन: रिटेन किए गए "वैध" संपादनों को एक पूर्व-प्रशिक्षित धारणा मॉडल (ViT-B/16) के माध्यम से पारित किया जाता है ताकि एक प्रॉक्सी स्कोर शिफ्ट ($\Delta_i$) की गणना की जा सके। यह उन लीवर्स की पहचान करता है जो आगे के मानव सत्यापन के लिए "उम्मीदवार" के रूप में "आशाजनक" हैं।

3. प्रमुख योगदान

1. एक नया व्याख्यात्मक इकाई: लीवर-आधारित हस्तक्षेपकारी प्रतितथ्यात्मक सूत्रीकरण का परिचय, जो पिक्सेल-स्तरीय एट्रिब्यूशन से हटकर अर्थपूर्ण, कार्रवाई योग्य हस्तक्षेपों की ओर बढ़ता है।
2. जेनरेशन-एंड-ऑडिट पाइपलाइन: एक स्केलेबल वर्कफ़्लो जो जनरेटिव AI को एक VLM "क्रिटिक" के साथ जोड़ता है ताकि यह सुनिश्चित किया जा सके कि प्रतितथ्यात्मक (counterfactuals) न केवल गणितीय रूप से संभव हैं, बल्कि दृश्य और अर्थपूर्ण रूप से भी वैध हैं।
3. पायलट बेंचमार्क: 50-दृश्य बहु-शहर डेटासेट जो यह जांचने के लिए एक नैदानिक दृष्टिकोण प्रदान करता है कि वर्तमान जनरेटिव उपकरण शहरी हस्तक्षेपों को कितनी अच्छी तरह से निष्पादित कर सकते हैं।

4. मुख्य परिणाम

पांच शहरों (एम्स्टर्डम, अबुजा, सैन फ्रांसिस्को, सैंटियागो और सिंगापुर) में पायलट अध्ययन ने कई प्रारंभिक निष्कर्ष दिए:

• लीवर परिवारों की प्रभावशीलता:
  • गतिशीलता बुनियादी ढांचा (Mobility Infrastructure) (जैसे क्रॉसवॉक/लेन मार्किंग को फिर से पेंट करना) ने सबसे बड़ा औसत सहायक सुरक्षा शिफ्ट ($+0.579$) दिखाया।
  • भौतिक रखरखाव (Physical Maintenance) (जैसे अग्रभाग की मरम्मत, ग्रेफिटी हटाना) सबसे सुसंगत सकारात्मक परिवार था ($+0.344$)।
  • पर्यावरणीय सुख-सुविधा (Environmental Amenity) विषम थी: हरियाली जोड़ने से अत्यधिक सकारात्मक प्रभाव पड़ा ($+0.650$), लेकिन पेड़ की छतरी (tree canopy) के प्रबंधन का प्रभाव नकारात्मक था, जो संभवतः प्रॉक्सी मॉडल के इस पूर्वाग्रह के कारण था कि "अधिक हरियाली = अधिक सुरक्षित" चाहे दृष्टि रेखाएं (sightlines) कैसी भी हों।
• व्यवहार्यता और कवरेज: सिस्टम ने 250 उम्मीदवारों में से 177 वैध संपादन सफलतापूर्वक उत्पन्न किए। हालांकि, लाइटिंग रिपेयर जैसे कुछ हस्तक्षेपों को वर्तमान प्रॉम्प्ट-ओनली एडिटर्स के लिए कठिन पाया गया (कम वैधता दर)।
• शहरों की भिन्नता: सैन फ्रांसिस्को और सैंटियागो में प्रति दृश्य सबसे अधिक "आशाजनक" लीवर्स देखे गए, जबकि अबुजा और सिंगापुर में न्यूनतम या नकारात्मक बदलाव देखे गए।
• बेसलाइन सहसंबंध: दिलचस्प बात यह है कि एक दृश्य के प्रारंभिक सुरक्षा स्कोर और उसके द्वारा स्वीकार किए गए वैध लीवर्स की संख्या के बीच कोई महत्वपूर्ण सहसंबंध नहीं था, जिससे पता चलता है कि "संपादन क्षमता" (editability) प्रारंभिक सुरक्षा स्तरों के बजाय दृश्य ज्यामिति पर अधिक निर्भर करती है।

5. महत्व

यह कार्य व्याख्यात्मक AI (XAI) में पोस्ट-हॉक एट्रिब्यूशन (मॉडल ने क्या किया इसकी व्याख्या करना) से हस्तक्षेपकारी स्पष्टीकरण (दुनिया कैसे अलग हो सकती है इसकी व्याख्या करना) की ओर एक बदलाव का प्रतिनिधित्व करता है। एक सख्त वैधता ऑडिट को लागू करके, लेखक यह सुनिश्चित करते हैं कि "व्याख्याएं" जनरेटिव आर्टिफैक्ट्स के बजाय वास्तविकता में निहित हैं। हालांकि वर्तमान परिणाम एक मॉडल-आधारित प्रॉक्सी का उपयोग करते हैं, यह ढांचा अंततः मानव युग्म निर्णय (human pairwise judgment) को अंतिम सत्य (ground truth) के रूप में उपयोग करने के लिए एक संरचित पाइपलाइन प्रदान करता है, जो शहरी योजनाकारों के लिए एक शक्तिशाली उपकरण है ताकि वे यह परीक्षण कर सकें कि विशिष्ट डिजाइन हस्तक्षेप कैसे कथित सुरक्षा और जीवंतता में सुधार कर सकते हैं।