NTIRE 2026 Challenge on Video Saliency Prediction: Methods and Results
NTIRE 2026 動画注目性予測チャレンジでは、5,000 人以上の被験者から収集された 2,000 本の動画データセットを用いて 20 以上のチームが参加し、最終的に 7 チームがコードレビューを経て結果が報告され、すべてのデータが公開されました。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
NTIRE 2026 動画注目度予測チャレンジの論文を、難しい専門用語を使わず、日常の言葉と面白い例え話を使って解説します。
🎬 この論文はどんな話？
この論文は、**「人間が動画を見て、どこに目がいくかを、AI に予測させる大会」**の結果報告書です。
想像してみてください。あなたが面白い動画を見ているとき、無意識に画面の特定の場所（例えば、走っている犬や、話している人の顔）に目が止まりますよね。これを**「注目度（サリエンシー）」**と呼びます。
この大会では、**「AI に動画を見せたら、人間と同じように『ここが面白い！』と指差せるか？」**を競いました。
🏆 大会の仕組み：巨大な「視線の図書館」
1. 新しい「教科書」を作った
AI を勉強させるには、たくさんの「答え合わせができる問題集」が必要です。
organizers（大会主催者）は、YouTube から 2,000 本もの多様な動画を集めました。そして、5,000 人以上の人に、それぞれの動画を見てもらい、「どこに注目したか」をマウスでクリックしてもらいました。
- 例え話：
通常、人間の「視線」を記録するには、高価な特殊な眼鏡（アイトラッカー）が必要です。それは「プロのスポーツ選手にだけ使える高級ヘルメット」のようなもの。
でも、今回は**「誰でも持っているマウス」を使って、大勢の人からデータを集めました。まるで、「1 人 1 人の感想を聞いて、その集大成で『どこが面白い』という地図を作った」**ようなものです。
2. 審査員とルール
集まったデータをもとに、20 以上のチームが AI を作りました。最終的に 7 チームが合格し、その中から**「誰が一番、人間の視線に近い地図を作れたか」**を 4 つの基準で審査しました。
🥇 優勝チームの「秘密兵器」
優勝したチームや上位チームは、それぞれユニークなアイデアを持っていました。
🥇 1 位：iLearn チーム（「2 人の専門家チーム」）
- アイデア： 1 人の天才に任せるのではなく、**「2 人の異なる専門家」**に動画を見せました。
- 専門家 A：「画面の中心にあるものが重要だ！」と考えるタイプ。
- 専門家 B：「中心じゃなくても、動きがあるものが重要だ！」と考えるタイプ。
- 結果： 2 人の意見を**「平均」**して、より完璧な地図を作りました。
- 例え話：
料理を作る際、「塩味のプロ」と「甘味のプロ」がそれぞれ味見をして、その意見を合わせて最高の味を決めるようなものです。
🥈 2 位：CVSP チーム（「未来を予言する AI」）
- アイデア： 「人間は、予想外の動きに目がいく」という心理を利用しました。
- この AI は「次の瞬間に何が起きるか」を予測する練習をたくさんしました。そして、「予測と違うことが起きた場所」こそが注目すべき場所だと判断しました。
- 例え話：
野球の試合で、バットが振られる瞬間を予測して見ています。もし「ボールが急に曲がった！」という予想外の出来事があれば、そこが最も注目される場所になります。
🥉 3 位：ARK MMLAB チーム（「階層構造の探偵」）
- アイデア： 動画の情報を「ざっくりした全体像」と「細かい部分」の 2 つに分けて分析しました。
- 大きな木（全体）と、その葉っぱ（細部）の両方を同時に見て、どこに注目すべきか判断します。
- 例え話：
森を歩くとき、「木々の群れ」という全体像と、「一匹のリス」という細部を同時に捉えて、どこに注目するかを決めるようなものです。
🌟 その他のチームの工夫
- AAM チーム： 「音」も使いました。「話している声」や「効果音」に合わせて、目が行く場所を予測しました（耳と目の連携）。
- SHU-MIIPLab チーム： 「ノイズを消す」技術（拡散モデル）を使いました。ぼんやりした地図を、何度も修正して鮮明な地図に仕上げました。
- NTR チーム： 「動画の動き」と「静止画の細部」を 2 つの別々のカメラで見て、合体させました。
💡 なぜこれが重要なの？
この技術が上手くなると、私たちの生活がもっと便利になります。
- 動画の圧縮： 注目している部分だけ高画質にして、注目していない部分は画質を落としてデータ量を減らすことができます（スマホの通信料が安くなる！）。
- 広告や編集： 人が一番見ている場所に広告を出したり、自動で動画のハイライトを作ったりできます。
- VR（仮想現実）： 360 度の動画でも、人が見ている方向だけ高画質にすることで、快適に楽しめます。
🏁 まとめ
この大会は、**「5,000 人もの人間の『目』のデータを AI に学ばせ、人間と同じように『面白い場所』を見つけさせる」**という挑戦でした。
優勝チームは、「複数の視点を持つこと」や「未来を予測すること」、**「音と映像の連携」**など、人間が自然に行っている複雑な作業を、AI にも真似させることに成功しました。
今後は、この技術を使って、もっとスマートで快適な動画体験が生まれるはずです！
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。