1. 视觉语言模型与扫描路径相似性研究概述眼动追踪技术长期以来为我们提供了精确的人们看向何处的数据但解读人们看到了什么始终是一个挑战。传统扫描路径(scanpath)相似性度量方法如MultiMatch、动态时间规整(DTW)等主要评估注视点的空间和时间对齐程度却忽视了被注视图像区域之间的语义等价性。这种局限性在实际应用中尤为明显——两位观察者可能注视概念相似但位置不同的物体(如人脸、文字、车辆)导致空间相似性得分很低反之相似的注视路径可能落在语义完全不同的物体上却获得很高的几何相似性评分。视觉语言模型(Vision-Language Models, VLMs)的突破性发展为解决这一问题提供了全新思路。作为多模态AI的核心技术VLMs能够将视觉信息与自然语言处理相结合实现图像内容的语义理解与描述生成。其工作原理基于深度学习框架下的跨模态对齐通过大规模预训练学习视觉特征与语言概念之间的映射关系。具体到扫描路径分析VLMs可以将每个注视点转换为简洁的文本描述进而将整个扫描路径表示为语义快照的序列。这种转换使得我们能够利用成熟的NLP相似性指标(如BERTScore、ROUGE、BLEU等)在语义层面比较注视行为而不仅仅是空间坐标的匹配。2. 语义扫描路径相似性框架设计2.1 整体架构与工作流程我们提出的语义扫描路径相似性框架包含三个核心阶段注视点到文本的转换对于刺激图像I和扫描路径S{(x_t,y_t,d_t)}采用两种视觉上下文编码策略基于局部图像块的方法以注视点为中心裁剪不同尺寸(96×96、192×192、256×256像素)的方形区域基于标记的方法在全图上叠加红色圆形标记(半径100像素)指示注视位置扫描路径语义汇总将单个注视点描述序列{δ_t}聚合成连贯的段落τ(S)使用特定提示模板引导VLM生成包含时序信息的整体摘要相似性度量与分析语义相似度应用BERTScore、ROUGE-L、BLEU-4、BM25等NLP指标比较文本摘要空间相似度计算ScanMatch、DTW、MultiMatch等传统几何指标相关性分析通过Spearman秩相关系数评估语义与空间度量的关系2.2 注视点编码的关键技术细节在局部图像块编码中我们系统评估了不同尺寸的影响。较小尺寸(96px)近似中央凹视野但可能缺乏物体上下文中等尺寸(192px)平衡局部细节与上下文较大尺寸(256px)包含更多周边信息但可能引入无关内容。技术实现上我们使用Python的Pillow库进行图像裁剪from PIL import Image def extract_patch(img_path, x, y, size192): img Image.open(img_path) width, height img.size x_px, y_px int(x*width), int(y*height) left max(0, x_px - size//2) upper max(0, y_px - size//2) right min(width, left size) lower min(height, upper size) return img.crop((left, upper, right, lower))对于标记编码方法我们使用OpenCV在原始图像上叠加注视标记import cv2 import numpy as np def mark_fixation(img_path, x, y, radius100): img cv2.imread(img_path) x_px, y_px int(x*img.shape[1]), int(y*img.shape[0]) # 绘制红色标记圆 cv2.circle(img, (x_px, y_px), radius, (0,0,255), 3) cv2.circle(img, (x_px, y_px), 5, (0,0,255), -1) return img2.3 VLM提示工程优化为确保生成的描述一致且相关我们设计了精细的提示模板。对于单个注视点描述提示明确要求用1-2句话描述此图像块中看到的内容。重点关注任何物体、人脸、文字或显著视觉内容。如果图像块模糊或仅显示纹理/背景请描述主要颜色、纹理或可见的部分物体。对于扫描路径汇总提示强调时序理解和认知策略推断你正在分析人类观察者观看图像时的注视行为。以下是他们按时间顺序注视的图像区域描述列表[δ1;δ2;...;δT]。根据这些注视描述和完整图像撰写一个连贯的段落总结该观察者关注的内容及其可能使用的认知策略。3. 实验设计与结果分析3.1 数据集与评估设置我们在COCOFreeView数据集上开展实验该数据集包含在MS-COCO图像上的自由观看眼动数据。为确保结果可靠性我们固定使用100张图像的验证子集每张图像包含5条扫描路径共产生1000个图像内扫描路径对进行比较。实验对比四种视觉编码条件96×96像素局部块192×192像素局部块256×256像素局部块全图标记(半径100px)技术实现上我们采用Qwen3-VL-8B-Instruct作为基础VLM在RTX4000显卡上使用vLLM进行推理。生成温度设置为注视点描述0.2(降低随机性)扫描路径汇总0.3(提高流畅性)。3.2 语义与空间相似性的相关性分析实验结果揭示了几个关键发现中度非冗余相关性BERTScore与空间指标的Spearman相关系数在0.1-0.3之间表明语义相似性既非完全独立也非几何对齐的简单重述。这种部分耦合但非冗余的关系证实了语义分析作为补充维度的价值。视觉上下文的影响小尺寸块(96px)显示出较低且不稳定的相关性反映有限上下文导致的描述模糊性中等尺寸(192px)相关性提高表明更好的物体识别能力大尺寸(256px)产生最稳定的语义表征对应图像约2%的面积标记方法的场景泄漏效应全图标记条件显示出更高的语义-空间相关性表明VLM可能利用全局场景线索推断局部内容降低了语义表征的独立性。3.3 不同NLP指标的表现对比四种语义相似性指标展现出明显差异BERTScore表现最稳定利用上下文嵌入捕捉深层语义等价ROUGE-L/BLEU-4基于表面形式匹配相关性较弱BM25TF-IDF加权词频统计表现介于中间这表明嵌入-based方法更适合扫描路径的语义比较而传统NLP指标可作为辅助诊断工具。4. 实际应用与注意事项4.1 典型应用场景用户体验研究识别不同用户群体在界面浏览时的语义关注差异超越简单的热点图分析医学图像解读比较专家与新手的扫描路径语义模式发现专业认知策略广告效果评估分析消费者对营销素材的语义理解路径优化视觉设计人机交互优化基于语义注视模式调整界面元素的呈现方式4.2 实施建议与注意事项视觉上下文选择优先考虑192-256px的局部块平衡物体识别与上下文控制标记方法适用于需要全局场景理解的任务但需注意语义泄漏VLM选择大型模型(7B参数)能生成更准确的描述领域特定微调可提升专业场景表现计算效率优化对注视点描述进行批处理使用量化模型加速推理常见问题处理模糊注视点增加不确定或低清晰度描述类别边缘注视采用非对称裁剪保留更多图像内容快速扫视考虑增加时间阈值过滤短时注视5. 技术挑战与未来方向当前框架存在几个值得关注的技术挑战描述一致性相同视觉内容在不同位置可能获得不同描述影响相似性计算。可能的解决方案包括使用确定性生成模式(temperature0)引入描述后处理标准化时序信息保留当前汇总方法可能弱化注视顺序的语义含义。未来可探索时序敏感的文本相似性度量基于事件的扫描路径分段跨场景比较当前方法限于图像内分析扩展到跨图像语义匹配需要场景无关的描述规范化层次化相似性度量计算成本VLM推理的资源需求限制了大规模应用。优化方向包括小型化专用模型注视点聚类后描述这一研究方向正处于快速发展阶段随着多模态模型能力的提升语义扫描路径分析有望成为连接低层眼动数据与高层认知理解的关键桥梁为人机交互、认知科学和AI系统设计提供全新视角。