視覚的注意は、低次の知覚的特徴と、シーン領域の意味的特性の双方によって形成される。しかし、低次の画像特徴の顕著性と比べ、シーン理解につながる画像特性の解明はより困難であった。シーン領域の意味的特性は、HendersonとHayes（2017）が提案した意味マップにおいて、人間の観察者にシーンパッチの情報性を評価させることで操作的に定義されてきた。しかし、この評価手続きは多大な労力を要し、手法の汎用性を制限する。自動化された代替手法であるDeepMeaningモデルは評価コストを削減するものの、類似した画像クラスの人間による訓練データを依然として必要とするため、一般化可能性が制限される。本研究では、指示追従型視覚言語モデル（VLM）が、人間による元の評価指示を単一のプロンプトとして用い、タスク固有の訓練を一切行わないゼロショット方式で、人間に類似した評価を生成できるかを検証した。3つの意味マップデータセットに含まれるシーンパッチについて、オープンウェイト型およびプロプライエタリ型のVLMから有意味性評価を取得し、得られたゼロショットAI意味マップ（AIMM）を、人間の意味マップおよびDeepMeaningモデルから得られたマップと比較した。ゼロショットAIMMは、人間の意味マップおよびタスク固有のDeepMeaningモデルによるマップを高い精度で近似し、VLMが訓練なしで人間の意味判断を再現できることを示した。ゼロショットAIMMは有用性と妥当性を示し、人間の注視を予測する能力において人間の意味マップと同等であり、他の視線予測モデルに対する相対的性能についても同じパターンを再現した。研究者がこのゼロショット手法を用いて、空間スケール、プロンプト、シーンカテゴリの異なる意味マップを迅速かつ柔軟に探索できるよう、オープンソースコードを提供する。
https://doi.org/10.64898/2026.08.30.748100