《超越“黑盒子”：通过理论驱动的启发式方法为抽象艺术构建一个可解释的显著性框架》 作者：Evaldas Vai?ekauskas 和 Vytautas Abromavi?ius

《Applied Sciences》：Beyond the Black Box: An Interpretable Saliency Framework for Abstract Art via Theory-Driven Heuristics Evaldas Vai?ekauskas and Vytautas Abromavi?ius

视觉显著性建模在抽象艺术中面临语义结构缺失和眼动数据稀缺的挑战。本文提出可解释框架，通过35个基于感知心理学和艺术理论的启发式规则组合，结合遗传算法优化和上下文感知调制机制，有效提升预测性能且实现动态权重调整。实验表明该模型在40幅抽象画眼动数据验证中KL散度达1.15±0.05，优于SalGAN基准，且权重分析揭示对比度、纹理和分组机制贡献显著，对称性等机制被选择性优化。

　　

摘要

视觉显著性建模在自然图像领域取得了很高的预测性能，但其泛化到抽象艺术领域仍受到显式语义结构缺失和眼动数据稀缺的限制。在这种语义模糊的情境中，理解注意力的驱动因素与预测准确性同样重要。本文提出了一个适用于抽象艺术的、可解释的“白盒”显著性框架，该框架通过结合35种基于感知心理学和艺术理论的模块化启发式方法（包括对比度、分组、隔离和对称性）来构建预测结果。启发式权重通过遗传算法进行优化，并通过一种基于上下文的调制机制进行细化，以适应图像级别的视觉特征。通过对40幅抽象绘画的眼动数据进行的评估表明，采用扩展激活变体的模型能够产生稳定且有意义的预测结果，同时实现了具有竞争力的KL散度分数（11±0.5），这一分数与SalGAN基线模型相当（11±0.5）。对优化后权重的分析显示，对比度、纹理和分组机制的贡献显著，而几乎一半的启发式方法（包括大多数水平对称性启发式方法）被模型系统性地剔除。此外，基于上下文的调制表明这些权重并非固定不变，而是会根据图像级别的特征（如边缘密度和强度变化）动态调整。通过优先考虑模型的可解释性而非单纯的预测性能，本研究证明了可解释的显著性模型可以作为在数据稀缺领域中解码人类视觉感知原理的强大工具。