天井を引き上げる：注視（サリエンシー）ベンチマークのためのより良い実測注視密度推定

要旨: 人間の眼球追跡データから推定される経験的な注視（フィクセーション）密度と空間分布は、サリiencyベンチマークの基盤である。これらは、ベンチマークの結論、リーダーボード順位、失敗事例（failure case）分析、そして人間の視覚行動に関する科学的主張を直接的に左右する。しかし、標準的な推定手法である固定帯域幅の等方性ガウスKDEは、数十年にわたりほとんど変わっていない。これは今まで以上に重要である。というのも、領域がサンプルレベル評価（失敗事例分析、逆ベンチマーク、画像ごとのモデル比較）へと移行するにつれ、信頼できる画像ごとの密度推定が決定的になるからだ。本研究では、Abramsonの方法に基づく適応帯域幅KDE、中心バイアス成分、そして一様成分を組み合わせた、原理に基づく混合モデルを提案する。さらに、最先端のサリiencyモデルも組み込むことで、観察者間の一貫性の異なる空間的・意味的タイプを捉え、画像ごとにすべてのパラメータを、被験者を1人ずつ除外するleave-one-subject-out交差検証により最適化する。提案手法は、複数のベンチマークにわたって観察者間の一貫性推定を大幅に向上させる。画像ごとの利得の中央値は対数尤度で5-15%、AUCで最大2パーセンテージポイントである。特に影響が大きい画像――まさに失敗事例分析に最も関連する画像――では、改善が25%を超える。さらに、我々はこれらの改善された推定値を活用して、最先端のサリiencyモデルの残存する失敗事例を特定し分析し、その結果として、モデル改善のための大きな余地（headroom）がまだ残っていることを示す。より広く言えば、本研究の知見は、経験的な注視密度を固定した真値（ground truth）として扱うのではなく、より良い手法によって改善され続ける、発展する推定値として扱うべきだということを強調している。