作者提出了 VEGAS（Video caption Evaluation via GAze Score），这是一种无需训练的指标，利用测试时的注视来采样个性化、注意力对齐的文本用于视频描述。它是一种跨模态信息论指标，量化候选描述与观众焦点的匹配程度。
- VEGAS 使用第一人称活动与教学幻灯片配对，并结合同步注视和参考注释进行评估。
- 通过拒绝采样选择描述，无需重新训练模型。
- 实验表明，VEGAS 选出的描述与人类注意力显著更好地对齐。
- 该方法改进了下游的描述到视频检索任务。
这项工作展示了在推理过程中融入观众注意力的实用价值。