Défi NTIRE 2026 sur la prédiction de la saillance vidéo : Méthodes et résultats
NTIRE 2026 Challenge on Video Saliency Prediction: Methods and Results
April 16, 2026
Auteurs: Andrey Moskalenko, Alexey Bryncev, Ivan Kosmynin, Kira Shilovskaya, Mikhail Erofeev, Dmitry Vatolin, Radu Timofte, Kun Wang, Yupeng Hu, Zhiran Li, Hao Liu, Qianlong Xiang, Liqiang Nie, Konstantinos Chaldaiopoulos, Niki Efthymiou, Athanasia Zlatintsi, Panagiotis Filntisis, Katerina Pastra, Petros Maragos, Li Yang, Gen Zhan, Yiting Liao, Yabin Zhang, Yuxin Liu, Xu Wu, Yunheng Zheng, Linze Li, Kun He, Cong Wu, Xuefeng Zhu, Tianyang Xu, Xiaojun Wu, Wenzhuo Zhao, Keren Fu, Gongyang Li, Shixiang Shi, Jianlin Chen, Haibin Ling, Yaoxin Jiang, Guoyi Xu, Jiajia Liu, Yaokun Shi, Jiachen Tu
cs.AI
Résumé
Ce document présente une vue d'ensemble du Défi NTIRE 2026 sur la Prédiction de la Saillance Vidéo. L'objectif pour les participants au défi était de développer des méthodes automatiques de prédiction de cartes de saillance pour les séquences vidéo fournies. Un nouveau jeu de données de 2 000 vidéos diverses sous licence libre a été préparé pour ce défi. Les fixations et les cartes de saillance correspondantes ont été collectées en utilisant un suivi de souris crowdsourcé et contiennent des données de visualisation provenant de plus de 5 000 évaluateurs. L'évaluation a été réalisée sur un sous-ensemble de 800 vidéos de test en utilisant des métriques de qualité généralement acceptées. Le défi a attiré plus de 20 équipes ayant soumis des propositions, et 7 équipes ont passé la phase finale incluant une revue de code. Toutes les données utilisées dans ce défi sont mises à disposition du public - https://github.com/msu-video-group/NTIRE26_Saliency_Prediction.
English
This paper presents an overview of the NTIRE 2026 Challenge on Video Saliency Prediction. The goal of the challenge participants was to develop automatic saliency map prediction methods for the provided video sequences. The novel dataset of 2,000 diverse videos with an open license was prepared for this challenge. The fixations and corresponding saliency maps were collected using crowdsourced mouse tracking and contain viewing data from over 5,000 assessors. Evaluation was performed on a subset of 800 test videos using generally accepted quality metrics. The challenge attracted over 20 teams making submissions, and 7 teams passed the final phase with code review. All data used in this challenge is made publicly available - https://github.com/msu-video-group/NTIRE26_Saliency_Prediction.