A Model of Saliency-based Visual Attention for Rapid Scene Analysis(Itti, 1998)

多くの論文で参照されている，いわゆるIttiモデルの論文．
1年前にも記事を執筆したが、重要論文なのでnotebookLMで要約したものを再掲．

過去記事
https://qiita.com/matumu20/items/d2684a68c8ddb2928684
https://qiita.com/matumu20/items/29fbda06079e8c37ec36

概要

この論文は、霊長類の視覚的注意システムを模倣した計算モデルを提案しています。 ボトムアップの顕著性に基づき、画像の特徴を抽出して顕著性マップを作成し、注目すべき場所を効率的に選択する仕組みを説明しています。マルチスケールの特徴抽出や中心-周囲の処理、正規化といった視覚処理のメカニズムをモデルに取り込み、その性能を実験的に検証しています。モデルは、自然画像や人工画像を用いたテストで良好な結果を示し、人間の視覚的注意の特性を再現することに成功しています。さらに、空間周波数コンテンツとの比較を通して、顕著性の計算における空間的競合の重要性を示唆しています。

Q: このモデルの生物学的妥当性と計算効率はどの程度か？

A:

このモデルは、霊長類の初期視覚系の行動とニューロン構造に着想を得ており、生物学的妥当性を追求しています。具体的には、以下の点が生物学的に妥当であると考えられます。

初期視覚特徴の抽出: 視覚入力は、まず地形的特徴マップの集合に分解されます。これは、大脳皮質の視覚野における情報処理の初期段階を模倣しています。また、このモデルは、中心-周辺の線形演算によって特徴を計算しており、これは視覚ニューロンの受容野の特性を反映しています。さらに、色覚においては、赤/緑、緑/赤、青/黄、黄/青の色対立を考慮した処理を行っており、これはヒトの一次視覚野における色処理を模倣しています。
顕著性マップ: モデルでは、異なる特徴マップを組み合わせて、視覚場面全体の局所的な目立ちやすさを位相幾何学的にコード化したマスター「顕著性マップ」を作成します。この顕著性マップは、視覚野の各位置における顕著性を表し、注意を向けるべき場所を決定するために使用されます。この概念は、注意集中モデルで広く用いられており、霊長類の視覚システムにおけるボトムアップ注意のメカニズムを反映しています。
注意の選択: 顕著性マップの最大値は、最も顕著な画像位置を決定し、そこに注意の焦点を向けます。このモデルは、勝者総取り（WTA）のニューラルネットワークを用いて、最も活動的な場所だけを残し、それ以外の場所を抑制します。このメカニズムは、ヒトの視覚心理物理学で実証されている「戻ることの抑制」を再現しています。
正規化演算子: このモデルでは、少数の強い活動のピークを持つマップを促進し、多数の同等なピークを持つマップを抑制する正規化演算子N(:)を使用しています。これは、大脳皮質の側方抑制メカニズムを粗く再現したものであり、生物学的な妥当性を高める要素となっています。

計算効率については、このモデルは超並列手法を提供し、大規模に並列実装されているため、計算コストを抑えながら高速に処理を行うことができます。特に、特徴抽出段階だけでなく、注意の焦点化システムも並列実装されている点が、計算効率の高さに貢献しています。また、正規化演算子N(:)は、以前に提案された反復スキームよりも高速で単純です。このモデルは、複雑な情景から少数の興味深い画像位置を高速に選択することができ、詳細な分析を行うべき目立つ場所を迅速に選択することにより、情景理解の複雑な問題を打破します。

Q: ボトムアップの注意について詳しく説明してください。また、トップダウンの注意に関しても説明してください

A:

**ボトムアップ注意（Bottom-up attention）**とは、視覚入力そのものの特性に基づいて、自動的に注意が向けられる現象です。タスクや意図に依存せず、**刺激の顕著性（saliency）**によって注意が惹きつけられます。一方、**トップダウン注意（Top-down attention）**とは、目標や意図に基づいて、意識的に注意を向ける現象です。

以下に、それぞれの注意のメカニズムを詳しく説明します。

ボトムアップ注意

刺激駆動型: ボトムアップ注意は、視覚刺激の顕著性によって駆動されます。つまり、コントラスト、色、動き、特異性など、目立つ特徴を持つ刺激が自動的に注意を引きます。
高速処理: ボトムアップ注意は、比較的速く、自動的に処理されます。これは、刺激が視覚系に入力されると、特徴抽出から顕著性マップの作成、そして注意の焦点（FOA）の選択までが迅速に行われるためです。
顕著性マップ： 視覚シーン全体の局所的な目立ちやすさをトポグラフィカルにコード化したマップです。各位置がどの程度注意を引くかを数値で表し、その値が高いほど、その位置が顕著であることを示します。
特徴抽出: ボトムアップ注意は、初期視覚野における特徴抽出に依存します。このモデルでは、強度、色（赤/緑、青/黄の対立）、方位といった特徴が抽出されます。これらの特徴は、視覚受容野のような「中心-周囲」の演算によって計算されます。
マルチスケール処理: 異なる空間スケールで特徴を抽出することにより、様々なサイズの物体やパターンに対応します。
正規化: 特徴マップは正規化され、少数の強い活動ピークを持つマップを促進し、多数の同等のピークを持つマップを抑制します。これにより、顕著な場所が強調されます。
注意の焦点（FOA）の選択: 顕著性マップ上の最も顕著な位置（最も高い値を持つ位置）が、注意の焦点（FOA）として選択され、詳細な分析が行われます。
勝者総取り（WTA）ネットワーク: 顕著性マップはWTAネットワークに入力され、最も活性な場所が選択されます。WTAネットワークは、最も活動的な場所のみが残り、それ以外の場所は抑制するメカニズムを備えています。
戻り抑制: WTAネットワークによって場所が選択されると、戻り抑制メカニズムが作動し、注意が同じ場所に戻るのを防ぎます。
タスク非依存: ボトムアップ注意は、タスクや意図に依存しません。つまり、視覚入力そのものの特性に基づいて、注意を向けるべき場所が決定されます。

トップダウン注意

目標駆動型: トップダウン注意は、目標や意図に基づいて、意識的に注意を向ける現象です。例えば、「赤い物体を探す」という目標がある場合、視覚情報の中で赤い部分に注意を集中させます。
遅い処理: トップダウン注意は、比較的遅く、意識的に制御されます。これは、注意を向けるべき場所を決定するために、高次の認知プロセスが必要となるためです。
高次皮質野: トップダウン注意は、高次皮質野からのフィードバックによって制御されます。例えば、発見すべきターゲットに関する知識（例えば、ターゲットの色、形など）を用いて、異なる特徴の重要度に重み付けを行います。
特徴の重要度調整: トップダウン注意は、異なる特徴の重要度を調整することができます。例えば、特定のタスクに関連する特徴（例えば、赤い色）を強調し、他の特徴を抑制することができます。
課題依存: トップダウン注意は、タスクや意図に依存します。つまり、現在の目標に応じて、注意を向けるべき場所が変化します。

モデルにおけるボトムアップ注意

このモデルは、ボトムアップ注意のメカニズムを模倣しています。モデルは、視覚入力から様々な特徴を抽出し、それらを組み合わせて顕著性マップを作成し、最も顕著な場所を選択して注意を向けます。

モデルにおけるトップダウン注意

現在のモデルには、トップダウン注意のメカニズムは組み込まれていません。しかし、モデルを拡張して、高次の皮質野からのフィードバックを用いて、異なる特徴の重要度に重み付けを行うことで、トップダウン注意を実装できる可能性が示唆されています。

まとめ

ボトムアップ注意は、刺激の顕著性によって自動的に注意が向けられる現象です。
トップダウン注意は、目標や意図に基づいて、意識的に注意を向ける現象です。
このモデルは、主にボトムアップ注意のメカニズムを模倣しており、視覚入力から様々な特徴を抽出し、顕著性マップを作成して最も顕著な場所を選択します。
モデルを拡張することで、トップダウン注意のメカニズムも実装可能であると考えられています。

Q: このモデルは人間の視覚的注意をどの程度正確に再現するか？

A:

このモデルは、霊長類の初期視覚系の特性を模倣したアーキテクチャと構成要素を持ち、人間の視覚的注意をある程度正確に再現するとされています。以下に、このモデルが人間の視覚的注意を再現する点と、その限界について説明します。

モデルが人間の視覚的注意を再現する点：

ボトムアップの注意: モデルは、視覚入力から局所的に目立つ特徴を抽出し、それらを統合して顕著性マップを作成します。このプロセスは、人間の視覚注意におけるボトムアップのメカニズムを模倣しています。具体的には、強度、色、方位のコントラストを特徴として捉え、それらの局所的な差異を検出します。
顕著性マップ: モデルは、視覚場面全体の局所的な目立ちやすさをトポグラフィカルにコード化した顕著性マップを作成します。このマップの最も活動的な場所が、次に注意を向けるべき場所として選択されます。これは、人間の視覚系が注意を向ける場所を決定する際に、顕著性が重要な役割を果たすという考えを支持しています。
空間的競合: モデルは、マップ正規化演算子N(:)を使用して、顕著な場所間の空間的競合を実装しています。この演算子は、少数の強い活動のピークを持つマップを促進し、多数の同等のピークを持つマップを抑制します。これは、人間の視覚系における側方抑制のメカニズムを模倣しており、最も顕著な場所が選択されるプロセスをサポートします。
飛び出し効果: このモデルは、ターゲットがそのユニークな特徴（向き、色、強さ、大きさなど）によって周囲から区別される場合、ターゲットを迅速に検出できます。これは、人間の視覚注意における飛び出し効果を再現しています。
実世界の画像: モデルは、自然の風景や芸術的な絵画などの実世界の画像においても、顔、物体、人物、建物、乗り物など、関心のある物体に注意を向けることが確認されています。

モデルの限界：

特徴の結合: モデルは、特徴マップの少なくとも1つに明示的に表現された物体特徴のみを検出できます。したがって、特徴の結合（例：形状と色の組み合わせ）を必要とする検出タスクは苦手です。
高次な視覚処理: このモデルは、輪郭の補完や閉鎖のような現象、および大細胞運動チャネルを考慮していません。これらの要素は、人間の顕著性に影響を与えることが知られています。
トップダウンの注意: このモデルは、トップダウンの注意成分（タスク依存的な要素）をモデル化していません。そのため、注意の焦点は、純粋にボトムアップの顕著性によって決定されます。
眼球運動の正確な再現: このモデルは、人間の注意を向ける場所を予測できるものの、人間の眼球運動の軌跡を完全に再現するものではありません。

結論として、このモデルは、霊長類の初期視覚の特性を模倣することで、ボトムアップの注意と顕著性に基づく注意メカニズムをある程度正確に再現しています。しかし、特徴の結合、高次な視覚処理、トップダウンの注意、眼球運動の複雑な要素などを考慮する必要があるため、人間の視覚的注意を完全に再現するには至っていません。このモデルは、専用の特徴マップを実装することで、様々なタスクに適応できる可能性を示唆しています。

Q: モデルはどのような種類の画像特徴を抽出するか？

A:

このモデルは、視覚入力から以下の種類の画像特徴を抽出します。

強度コントラスト: これは、画像内の明るさの変化を捉えるもので、具体的には、明暗の中心-周辺のコントラストとして計算されます。モデルでは、中心が明るく周辺が暗い、またはその逆のパターンを検出し、哺乳類の視覚系における強度コントラストに敏感なニューロンの働きを模倣します。この特徴は、異なるスケールで計算された強度マップ間の差分として抽出されます。具体的には、異なるスケールでの強度マップI(c)とI(s)の差の絶対値|I(c) - I(s)|として表されます。ここで、cは中心のスケール、sは周辺のスケールを表します。
色コントラスト: このモデルは、色の変化を捉えるために、赤/緑と青/黄の二重対立色システムを使用します。具体的には、赤(R)、緑(G)、青(B)、黄(Y)の4つの色チャンネルが計算されます。そして、赤/緑の対立は、(R(c) - G(c)) - (G(s) - R(s))の絶対値として計算されます。同様に、青/黄の対立は、(B(c) - Y(c)) - (Y(s) - B(s))の絶対値として計算されます。これらの計算により、色の中心と周辺の差を捉えることができます。
方位コントラスト: このモデルは、画像内のエッジや線の向きを捉えるために、方位コントラストを抽出します。具体的には、ガボールフィルターを用いて、異なる方位(0°, 45°, 90°, 135°)に対する応答を計算します。そして、各方位について、中心スケールと周辺スケールの応答の差を計算することで、局所的な方位コントラストを捉えます。これは、一次視覚野の方位選択性ニューロンの受容野特性を模倣しています。

これらの特徴は、異なる空間スケールで計算され、マルチスケールの特徴抽出を実現します。そして、中心-周辺の差分演算を用いて、局所的な空間的不連続性を検出します。これらの特徴マップは、さらに正規化され、顕著性マップに統合されます。
このモデルは、これらの特徴を組み合わせて、視覚シーンにおける顕著性を計算し、注意を向けるべき場所を決定します。

Q: モデルは注意の焦点をどのように決定するか？

A:

このモデルでは、注意の焦点（FOA）は、顕著性マップ（SM）の最も顕著な場所に基づいて決定されます。具体的には、以下のステップで注意の焦点が決定されます。

特徴抽出: まず、入力画像から強度、色、方位の３つのタイプの画像特徴が抽出されます。これらの特徴は、異なる空間スケールで計算され、中心-周辺の差分演算を用いて局所的なコントラストを捉えます。
特徴マップの正規化: 抽出された特徴は、それぞれ複数の特徴マップとして表現されます。これらのマップは、**正規化演算子N(:)**によって正規化されます。この演算子は、少数の強い活動のピークを持つマップを促進し、多数の同等なピークを持つマップを抑制する働きをします。
顕著性マップの生成: 正規化された特徴マップは、強度(I)、色(C)、方位(O)の3つの顕著性マップに統合されます。これらの顕著性マップは、それぞれの特徴の局所的な目立ちやすさを表します。さらに、これら3つのマップは組み合わされ、最終的な**顕著性マップ(S)**が生成されます。
注意の焦点の選択: 顕著性マップ（SM）は、スケール4で生物学的に現実的な勝者総取り（WTA）ニューラルネットワークに入力されます。このネットワークでは、ユニット間のシナプス相互作用により、最も活動的な場所だけが残り、それ以外の場所は抑制されます。
- SMのニューロンは、Sから興奮性入力を受け、それぞれ独立して活動します。
- より顕著な場所にあるSMニューロンの電位はより速く上昇します。
- 各SMニューロンは、対応するWTAニューロンを興奮させます。
- すべてのWTAニューロンもまた、互いに無関係に進化し、**最初に閾値に到達したニューロン（「勝者」）**が選ばれます。
注意のシフトと抑制: WTAニューラルネットワークで勝者が決定されると、次の3つのことが同時に発生します。
- 注意の焦点（FOA）が勝者ニューロンの位置にシフトします。
- WTAのグローバル抑制がトリガーされ、すべてのWTAニューロンが完全に抑制（リセット）されます。
- FOAの近傍にあるSMでは、小さな興奮が過渡的に活性化されます。

注意の焦点は、このように、顕著性マップで最も顕著な場所（最も活動的なニューロン）に対応する画像位置に移動します。そして、「戻ることの抑制」メカニズムによって、以前に注意が向けられた場所が一時的に抑制され、次に注意を向ける場所が選ばれます。

このモデルでは、トップダウンの注意成分はモデル化されていないため、注意の焦点は純粋にボトムアップの顕著性によって決定されます。また、FOAは単純な円盤としてモデル化されており、その半径は入力画像の幅と高さのいずれか小さい方の6分の1に設定されています。

Q: モデルは視覚情報のどのサブセットを選択するか？

A:

このモデルは、視覚情報の中から、顕著な特徴を持つサブセットを選択します。この選択は、主にボトムアップのメカニズムによって駆動され、視覚シーン内で局所的に目立つ特徴に基づいて注意を向けます。具体的には、モデルは以下の特徴に基づいて視覚情報のサブセットを選択します。

コントラスト: モデルは、強度、色、方位のコントラストが強い領域に注意を向けます。これは、視覚受容野のような中心-周辺構造によって計算され、局所的な空間的不連続性を捉えるメカニズムです。
- 強度コントラスト: 明るい領域と暗い領域のコントラストが高い場所は、顕著性が高くなります。
- 色コントラスト: 赤/緑や青/黄のような対立色のコントラストが高い場所も、顕著性が高くなります。
- 方位コントラスト: 特定の方位（0, 45, 90, 135度）に対して周囲とは異なるコントラストを持つ領域は、顕著性が高くなります。
空間スケール: モデルは、異なる空間スケールでコントラストを捉えることで、異なるサイズの中心-周辺領域における顕著性を検出します。これにより、小さなオブジェクトから大きなオブジェクトまで、さまざまなスケールでの顕著性を捉えることができます。
局所的な目立ちやすさ: モデルは、特徴マップ内の局所的な最大値（活性化スポット）を比較し、周囲よりも際立って目立つ領域を選択します。このプロセスは、正規化演算子N(:)によって実現され、少数の強い活動ピークを持つマップを促進し、多数の同等のピークを持つマップを抑制します。

これらの特徴を組み合わせて、モデルは顕著性マップを生成します。このマップは、視覚シーン内の各位置の顕著性を数値化し、最も顕著な位置に注意が向けられます。

また、モデルは動的な注意メカニズムも備えています。具体的には、勝者総取り(WTA)ネットワークを用いて最も顕著な位置を決定し、その後**戻り抑制(Inhibition of Return)**メカニズムによって、注意が同じ位置に戻ることを防ぎます。これにより、視覚シーン内のさまざまな領域を効率的に探索することができます。

ただし、モデルは、特徴結合を検出することはできません。つまり、複数の特徴が組み合わさって初めて顕著になるような対象は、直接的に検出できません。また、輪郭の補完や閉鎖のような現象、および大細胞運動チャネルの影響も考慮されていません。これらの制限はあるものの、モデルは、初期視覚プロセスからの情報に基づいて、視覚シーン内で顕著な位置を効率的に選択するメカニズムを提供します。

Q: モデルは、どの様な特徴マップを用いるか？

A:

このモデルは、視覚入力から強度、色、方位の3つの主要な特徴を抽出し、それぞれに対応する複数の特徴マップを使用します。これらの特徴マップは、異なる空間スケールで計算され、局所的なコントラストを捉えるために中心-周辺の差分演算が適用されます。

以下に、モデルで使用される特徴マップの詳細を示します。

強度マップ (I):
- 入力画像の明るさを表すマップです。
- 赤(r), 緑(g), 青(b)チャンネルの平均として計算されます: I = (r+g+b)/3。
- 異なる空間スケールで計算された強度マップI(c)とI(s)の差の絶対値|I(c) - I(s)|として、強度コントラストの特徴マップが生成されます。ここで、cは中心スケール、sは周辺スケールを表します。
- 中心スケールcは、2, 3, 4のいずれか、周辺スケールsはc+2またはc+3で定義されます。これにより、異なるサイズの中心-周辺領域におけるコントラストを捉えることができます。
- 6つの強度コントラストマップ I(c; s) が生成されます。
色マップ (RG, BY):
- 色の変化を捉えるためのマップで、赤/緑（RG）と青/黄（BY）の二重対立色システムを使用します。
- 赤(R), 緑(G), 青(B), 黄(Y)の4つの色チャンネルが計算されます。
- 赤/緑の対立は、| (R(c) - G(c)) - (G(s) - R(s)) | として計算され、RG(c; s)マップが生成されます。
- 青/黄の対立は、| (B(c) - Y(c)) - (Y(s) - B(s)) | として計算され、BY(c; s)マップが生成されます。
- 中心スケールcは、2, 3, 4のいずれか、周辺スケールsはc+2またはc+3で定義されます。
- 12個の色コントラストマップ（RGとBYそれぞれ6個ずつ） が生成されます。
方位マップ (O):
- 画像内のエッジや線の向きを捉えるためのマップです。
- ガボールフィルターを用いて、0°, 45°, 90°, 135°の4つの異なる方位に対する応答が計算されます。
- 各方位について、中心スケールと周辺スケールの応答の差を計算することで、局所的な方位コントラストが捉えられます: O(c; s; θ) = | O(c; θ) - O(s; θ) | 。ここで、θは方位を表します。
- 中心スケールcは、2, 3, 4のいずれか、周辺スケールsはc+2またはc+3で定義されます。
- 24個の方位コントラストマップ O(c; s; θ) が生成されます。

これらの特徴マップは、合計42個（強度6個、色12個、方位24個）生成され、それぞれが視覚シーンの異なる側面を捉えます。
これらの特徴マップは、正規化演算子N(:) によって正規化され、顕著性マップに統合されます。正規化演算子は、各マップの活動の強さを調整し、顕著な場所を強調する役割を果たします。

特徴マップは、異なる空間スケールで計算され、中心-周辺の差分演算を利用している点が重要です。これにより、モデルは局所的なコントラストを検出し、視覚シーンの顕著な領域を効果的に特定することができます.

Q: このモデルの強みと限界、そして今後の発展の可能性は？

A:

このモデルの強みと限界、そして今後の発展の可能性について、以下に説明します。

強み

生物学的妥当性: モデルは、霊長類の初期視覚系の特性を模倣したアーキテクチャと構成要素を持っています。具体的には、視覚的注意の焦点、動的ルーティング、特徴統合理論、中心-周辺構造、色二重対極システム、方位選択性ニューロン、側方抑制、勝者総取りネットワーク、戻り抑制などの生物学的メカニズムに着想を得ています。
複雑な自然情景への対応: 単純なアーキテクチャとフィードフォワード特徴抽出機構にもかかわらず、モデルは複雑な自然情景に対して強力な性能を発揮できます。例えば、様々な形、色、質感の顕著な交通標識を素早く検出することができます。
並列処理: 計算コストのかかる初期の特徴抽出段階だけでなく、注意の焦点化システムも大規模に並列実装されているため、高速な処理が可能です。
ロバスト性: モデルは、ノイズに対して非常にロバストであり、ターゲットの主要な特徴を直接妨害しないノイズには影響を受けにくいことが示されています。
人間のパフォーマンスの再現: このモデルは、特定の飛び出し課題において、人間のパフォーマンスを再現することができました。具体的には、ターゲットがその独特の特徴（向き、色、強さ、大きさなど）によって周囲の散漫なものから区別される場合、散漫なものの数に関わらず、ターゲットは常に最初に注目される場所でした。
顕著性の定量化: モデルは、視覚野の各位置における顕著性を定量化し、最も顕著な位置に注意を向けることができます。これにより、視覚的注意のメカニズムを計算的に理解するのに役立ちます。
正規化演算子N(:)の効率性: 正規化演算子N(:)は、以前に提案された反復スキームよりも高速で単純であり、モデルの計算効率に貢献しています。また、N(:)は、顕著な場所を強調し、均質な領域を抑制することで、人間の主観的な顕著性に近い結果を生み出すことができます。

限界

特徴結合の欠如: モデルは、特徴結合を検出することができません。つまり、複数の特徴が組み合わさって初めて顕著になるような対象は、直接的に検出できません。
輪郭補完や閉鎖の欠如: モデルは、輪郭の補完や閉鎖のような現象を再現することができません。これは、モデルが特徴マップ内にリカレントメカニズムを実装していないためです。
大細胞運動チャネルの欠如: モデルには、人間の顕著性において重要な役割を果たすことが知られている大細胞運動チャネルが含まれていません。
トップダウン注意の欠如: モデルはボトムアップの顕著性に焦点を当てており、トップダウンの注意（タスク依存的な注意）のメカニズムはモデル化されていません。
実装された特徴タイプへの依存: モデルの性能は、実装される特徴タイプに決定的に依存します。そのため、特定のタスクに対して専用の特徴マップを実装する必要があります。

今後の発展の可能性

特徴結合の組み込み: モデルに特徴結合を検出する能力を組み込むことで、より複雑な視覚的パターンを認識できるようになる可能性があります。
リカレントメカニズムの導入: 特徴マップ内にリカレントメカニズムを導入することで、輪郭補完や閉鎖などの現象を再現できるようになり、より高度な知覚能力を獲得できる可能性があります。
大細胞運動チャネルの組み込み: モデルに大細胞運動チャネルを組み込むことで、動的な視覚シーンへの応答能力が向上する可能性があります。
トップダウン注意の組み込み: モデルにトップダウン注意のメカニズムを組み込むことで、タスク依存的な視覚探索をシミュレーションできるようになる可能性があります。これは、高次の皮質野からのフィードバックを用いて、異なる特徴の重要度に重み付けを行うことで実現できると考えられます。
専用特徴マップの拡張: 特定のタスクに特化した特徴マップを実装することで、モデルの適用範囲を広げることができるでしょう。例えば、特定の物体認識タスクや、特定の種類のシーン理解タスクに特化した特徴マップを実装することが考えられます。
より複雑な正規化メカニズム: 現在の正規化メカニズムは、大脳皮質の側方抑制を粗く再現したものですが、より生物学的な観点から見て、より複雑な正規化メカニズムを実装することで、人間の視覚システムをより良く模倣できる可能性があります。

これらの点を考慮すると、このモデルは視覚的注意の理解と実装において重要な貢献をしているものの、まだ改善の余地が多く残されていると言えます。今後の研究によって、より生物学的で、汎用性が高く、高機能な視覚的注意モデルが開発されることが期待されます。