提升上限：用于显著性基准测试的更优经验注视密度
计算机视觉与模式识别
2026-05-06 v1 机器学习
摘要
经验注视密度，即从人类眼动追踪数据估计的空间分布，是显著性基准测试的基础。它们直接塑造了基准结论、排行榜排名、失败案例分析以及关于人类视觉行为的科学主张。然而，标准的估计方法，即固定带宽各向同性高斯 KDE，几十年来几乎没有改变。现在这一点比以往任何时候都更重要：随着该领域转向样本级评估（失败案例分析、逆向基准测试、逐图像模型比较），可靠的逐图像密度估计变得至关重要。我们提出了一种有原则的混合模型，它结合了基于 Abramson 方法的自适应带宽 KDE、中心偏差和均匀分量，以及一个 SOTA 显著性模型，以捕捉不同空间和语义类型的观察者间一致性，并通过留一受试者交叉验证逐图像优化所有参数。我们的方法在多个基准测试中产生了显著更高的观察者间一致性估计，对数似然的中位逐图像增益为 5-15%，AUC 增益高达 2 个百分点。对于受影响最大的图像——恰好与失败案例分析最相关的那些图像——改进超过了 25%。我们利用这些改进的估计来识别和分析 SOTA 显著性模型剩余的失败案例，证明模型改进仍有显著的提升空间。更广泛地说，我们的发现强调，经验注视密度不应被视为固定的真值，而应被视为随更好方法论而改进的演化估计。
引用
@article{arxiv.2605.03885,
title = {Raising the Ceiling: Better Empirical Fixation Densities for Saliency Benchmarking},
author = {Susmit Agrawal and Jannis Hollman and Matthias Kümmerer},
journal= {arXiv preprint arXiv:2605.03885},
year = {2026}
}