PaGE、視線推定で人間超え 7指標でSOTA達成

何が起きたか

2026年7月6日にarxivで公開された論文『Towards Practical Human-level Gaze Target Estimation』において、視線推定モデルPaGEが発表された。同モデルは、シーンと頭部特徴の複雑な相互作用を明示的にモデル化し、大規模な教師モデルから軽量な学生モデルへの蒸留を行う。評価の結果、9指標中7指標で人間を上回り、残り2指標では人間とのギャップを少なくとも60%縮めたと報告されている。

詳細

PaGEは、シーンと頭部特徴の複雑な相互作用を明示的にモデル化する視線推定モデルである。教師モデルにはViT-H+バックボーンを用い、より軽量なバックボーンを持つ学生モデルを、より大規模で多様な未ラベルデータセット上で蒸留する。このアーキテクチャの改善と新しい学習レシピにより、複数の視線推定タスクで最先端の性能を達成し、9指標中7指標で人間を上回り、残り2指標では人間との差を少なくとも60%縮めた。蒸留された学生モデルは教師の性能の大部分を維持しつつ、ロボットや消費者向けデバイスへの実用的な展開に十分な軽量さを持つとされる。コードとモデルのチェックポイントはプロジェクトページで公開されている。

Key Facts

本紙の見方

今回のPaGEの発表は、視線推定分野における人間レベルの性能達成という点で画期的である。従来の視線推定モデルは、シーンの意味理解と頭部の外観（姿勢、目の向きなど）の空間的推論を組み合わせる難しさから、人間の性能に届かないことが多かった。PaGEは、シーンと頭部特徴の相互作用を明示的にモデル化することで、この課題に取り組んでいる。特に、9指標中7指標で人間を上回り、残り2指標でもギャップを60%以上縮めたという結果は、実用化に向けた大きな前進と言える。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、視線推定技術はロボティクスやヒューマンコンピュータインタラクションの分野で注目されており、今回の成果はこれらの応用を後押しする可能性がある。 業界構造への含意としては、軽量な学生モデルへの蒸留により、エッジデバイスやロボットへの搭載が現実的になる点が挙げられる。これにより、視線推定機能を備えた消費者向けデバイスやロボットの開発が加速する可能性がある。また、コードとモデルが公開されていることから、研究コミュニティや産業界での再利用が進み、さらなる性能向上や応用拡大が期待される。 未確定の論点としては、実際のロボットやデバイスでの推論速度や消費電力、多様な環境でのロバスト性、また、蒸留による性能低下の程度がどの程度かといった点が挙げられる。論文では性能の大部分を維持するとされているが、具体的な数値や実環境での評価は今後の検証が必要である。

なぜ重要か

視線推定は、人間の注意や意図を理解するための基盤技術であり、ロボットのインタラクションや運転支援、マーケティング分析など幅広い応用が期待される。PaGEが人間レベルの性能を達成し、軽量モデルを提供したことで、これらの応用が現実のものとなる可能性が高まった。