論文の概要: AVAtt: A Free-Viewing Eye-Tracking Dataset and Benchmark for Visual Attention on Paintings
- arxiv url: http://arxiv.org/abs/2610.30481v1
- Date: Wed, 21 Oct 2026 22:02:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.16567
- Title: AVAtt: A Free-Viewing Eye-Tracking Dataset and Benchmark for Visual Attention on Paintings
- Title（参考訳）: AVAtt: フリービューのアイトラッキングデータセットと,絵画の視覚的注意のためのベンチマーク
- Abstract要約: avattは、16世紀と5世紀にわたるnImagesの絵のフリービューのアイトラッキングデータセットです。
すべての絵画に対して、固定タイミングとアイ・ハグ・スクリーン距離、固定マップ、1度の視覚角度で滑らか化されたサリエンシマップを備えた個別のスキャンパスをリリースする。
10のCNN, ViT, および自己教師型エンコーダ上に構築された, 言語なしの画像エンコーダの新たなファミリを含む, 44のスキャンパス類似度尺度をランク付けする。
- 参考スコア（独自算出の注目度）: 48.39894370464046
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Saliency and scanpath models are developed almost exclusively on natural photographs, yet paintings are composed by artists to guide the viewer's eye and differ from photographs in texture, colour and abstraction. We introduce \avatt, a free-viewing eye-tracking dataset on \nImages{} paintings spanning sixteen art movements and five centuries, with \nScanpaths{} scanpaths and \nFixations{} fixations from \nParticipants{} participants (\spPerImageMin--\spPerImageMax{} observers per painting). For every painting we release individual scanpaths with fixation timing and eye--screen distance, fixation maps, saliency maps smoothed at one degree of visual angle, temporal saliency videos and rich art metadata. We benchmark classic and deep saliency models against human agreement, revealing substantial headroom for art-aware models, and rank 44 scanpath-similarity measures, including a new language-free family of image-encoder metrics built on ten CNN, ViT and self-supervised encoders. With controls that remove viewing biases, we show that faces are fixated \faceEnrich$\times$ more than expected and within half a second, that local structure draws the eye, that composition rules fitted from image content predict where people look, and that art style shapes how much viewers agree. Dataset, code and a Python package are available at: https://huggingface.co/datasets/Amine-CV/AVAtt.
- Abstract（参考訳）: 静かさとスキャンパスモデルは、ほとんど自然の写真にのみ焦点をあてて開発されているが、絵画は、観客の目を導くためにアーティストによって構成され、テクスチャ、色、抽象的な写真とは異なる。
我々は,nImages{} 絵画のフリービューングアイトラッキングデータセットである \avatt を紹介した。これは 16 世紀と 5 世紀にわたる美術運動を対象としたもので,nScanpaths{} スキャンパスと \nParticipants{} 参加者 (\spPerImageMin--\spPerImageMax{} オブザーバ) からの修正が可能である。
CNN, ViT, および自己教師型エンコーダ上に構築された, 言語なしの画像エンコーダの新たなファミリを含む44のスキャンパス類似度尺度を, 古典的, ディープサリエンシモデルと人間の合意に比較検討した。
視線バイアスを除去するコントロールにより、顔は予想以上の時間と半秒以内に固定され、局所的な構造が目を引くこと、画像コンテンツから取り込まれた構成規則が人々がどこに見えるかを予測すること、そして、そのアートスタイルが視聴者がどれだけ同意するかを形作っていることを示します。
データセット、コード、Pythonパッケージは、https://huggingface.co/datasets/Amine-CV/AVAtt.comで入手できる。
関連論文リスト
- Geometry-Aware Diffusion Models for Multiview Scene Inpainting [24.963896970130065]
我々は,異なる視点から捉えた入力画像の一部がマスクアウトされる3Dシーンのインペイントに焦点を当てた。
最近の研究は、生成モデルと3次元放射場を組み合わせることで、視点を越えて情報を融合することでこの問題に対処している。
本稿では,多視点一貫した塗装が可能な幾何認識条件生成モデルを提案する。
論文 参考訳（メタデータ） (2025-02-18T23:30:10Z) - Diffusion-Based Scene Graph to Image Generation with Masked Contrastive
Pre-Training [112.94542676251133]
画像とのアライメントを直接最適化することで,シーングラフの埋め込みを学習する。
具体的には,シーングラフからグローバル情報とローカル情報の両方を抽出するエンコーダを事前訓練する。
SGDiffと呼ばれる結果の方法は、シーングラフノードと接続を変更することによって生成された画像のセマンティックな操作を可能にする。
論文 参考訳（メタデータ） (2022-11-21T01:11:19Z) - Deep scene-scale material estimation from multi-view indoor captures [9.232860902853048]
本稿では,物理的なレンダリングが可能なデジタルアセットを自動生成する学習ベースのアプローチを提案する。
提案手法は, 最寄りの解に比べて少ない時間で近似材料マップを生成する。
論文 参考訳（メタデータ） (2022-11-15T10:58:28Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Scene Graph Generation for Better Image Captioning? [48.411957217304]
検出されたオブジェクトと自動生成された視覚的関係を利用して、自然言語で画像を記述するモデルを提案する。
我々は、個々のオブジェクトとそれらの間の視覚的関係を識別することにより、生画像画素からシーングラフを生成する。
このシーングラフは、最後のキャプションを生成するグラフからテキストへのモデルへの入力として機能します。
論文 参考訳（メタデータ） (2021-09-23T14:35:11Z) - Learning to Generate Scene Graph from Natural Language Supervision [52.18175340725455]
シーングラフと呼ばれる画像内の局所化オブジェクトとその関係をグラフィカルに表現するために,画像と文のペアから学習する最初の方法の1つを提案する。
既製のオブジェクト検出器を利用してオブジェクトのインスタンスを識別し、ローカライズし、検出された領域のラベルとキャプションから解析された概念をマッチングし、シーングラフを学習するための"擬似ラベル"を作成する。
論文 参考訳（メタデータ） (2021-09-06T03:38:52Z) - Free View Synthesis [100.86844680362196]
本稿では,シーンの周囲に自由に分布する入力画像から新規なビュー合成手法を提案する。
本手法は,入力ビューの規則的な配置に依存しず,シーンを通して自由なカメラ運動のための画像の合成が可能であり,制約のない幾何学的レイアウトの一般的な場面で機能する。
論文 参考訳（メタデータ） (2020-08-12T18:16:08Z) - Neural Sparse Voxel Fields [151.20366604586403]
高速かつ高品質な自由視点レンダリングのためのニューラルシーン表現であるNeural Sparse Voxel Fields (NSVF)を紹介する。
NSVFは、各細胞の局所特性をモデル化するために、スパース・ボクセル・オクツリーで組織された、ボクセルに結合した暗黙のフィールドのセットを定義する。
提案手法は, 高い品質を達成しつつ, 推論時の最先端技術(NeRF(Mildenhall et al., 2020))よりも10倍以上高速である。
論文 参考訳（メタデータ） (2020-07-22T17:51:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。