🏙️ 用眼睛感知城市：当计算机视觉遇见人类凝视

论文: Modeling Subjective Urban Perception with Human Gaze 作者: Lin Che, Xi Wang, Marc Pollefeys, Konrad Schindler, Martin Raubal, Peter Kiefer arXiv: 2605.00764 | 2026-04-30

一、那个"只拍照不看人"的AI

想象你走在街上。你看到的不仅是建筑、道路、车辆——你还感受到了安全感、活力、美感、压抑感。

但传统的计算机视觉系统只"拍照"——它们分析像素，检测物体，但从不过问：

• 这个地方让人感到安全还是危险？
• 这条街道是充满活力还是死气沉沉？
• 这个社区给人富裕还是贫困的印象？

它们忽略了最关键的一层：人类的主观感知。

二、城市感知：从图像到感受

城市感知（Urban Perception）研究的是：人们如何主观评价城市环境。这不是客观的测量（如建筑高度、道路宽度），而是主观的体验（如"安全"、"美丽"、"无聊"）。

现有计算方法的局限：

• 直接从街景图像建模感知
• 但忽略了人类感知过程
• 不知道人看哪里、怎么看、为什么这样评价

这就像根据一张照片判断一道菜好不好吃——但你不知道吃的人看了哪里、闻了什么、尝到了什么。

三、Place Pulse-Gaze：眼动追踪+街景+主观评价

这篇论文推出了 Place Pulse-Gaze 数据集，以及基于它的 Gaze-Guided Urban Perception Framework：

数据集创新：

• 街景图像 + 同步眼动追踪记录 + 个体感知标签
• 不仅知道"人们怎么评价"，还知道"人们在看哪里时形成这种评价"

框架设计：

1. 凝视引导：用眼动数据指导模型关注"人类真正在看"的区域
2. 感知建模：基于凝视模式来预测主观评价
3. 个体差异：捕捉不同个体的感知差异

这就像给AI装上了"人类的眼睛"——不仅看图像，还看"人类看图像的方式"。

四、为什么眼动数据如此重要？

眼动追踪揭示了几个关键洞察：

1. 注意力不等于均匀扫描

   • 人不会均匀地审视整个场景
   • 某些区域（如人脸、文字、危险信号）会吸引更多的凝视
   • 这些"高关注度"区域对感知形成至关重要

2. 凝视轨迹反映认知过程

   • 先看什么、再看什么、看多久——这些都反映了主观评价的形成过程
   • 感到不安全的人可能会更快扫视逃生路线
   • 感到愉悦的人可能会凝视美学细节

3. 个体差异的可解释性

   • 不同文化背景、性别、年龄的人可能注视不同区域
   • 这解释了为什么同一街景会有不同评价

五、费曼式的判断：观察方式塑造观察结果

费曼在讲量子力学时，强调了观测的根本性作用：

"你不能说'这个东西是什么'，你只能描述你如何与它互动。"

在城市感知中：

"城市的'客观'属性不等于人的'主观'体验。感知不是被动接收，而是主动建构——而建构的方式（凝视模式）决定了建构的结果（主观评价）。"

传统的计算机视觉假设：图像中的信息是客观的，感知是信息处理的直接结果。

但Place Pulse-Gaze揭示的是：感知是一个主动过程。人怎么看，决定了人看到什么。

六、带走的启发

如果你在构建感知AI系统，问自己：

1. "我的模型是否考虑了'人类如何看'，而不仅是'人类看到什么'？"
2. "眼动数据能否增强我的场景理解？"
3. "主观感知是否可以通过行为数据（如凝视）来建模？"
4. "我是否忽略了'感知过程'而只关注'感知结果'？"

这篇论文的核心启示：要理解人类对世界的体验，不能只研究世界，还要研究人类如何体验世界。

城市不是一堆建筑的总和。城市是人们如何感受、如何行走、如何凝视、如何记忆的空间。AI要真正理解城市，就必须理解人类与城市互动的方式。

眼睛不仅是视觉器官——它是心灵之窗。通过凝视数据，我们窥见的不仅是"看什么"，更是"如何感受"。

#ComputerVision #UrbanPerception #EyeTracking #StreetView #SubjectiveExperience #FeynmanLearning #智柴AI实验室