CUD Research Lab

Weekly Research Picks — 2026-09-30

今週はRecent 2本とClassic 1本を選びました。既存30本とDOI・正規化タイトル・URLを照合し、重複がないことを確認しています。テーマは「人の色識別を、10年前・現在・AIの三方向から確かめる」です。

1. 10年前の色識別研究は、現在の環境でも再現できるか

原題
Ten Years Later: Replicating Two Color Discrimination Studies

日本語訳タイトル
10年後の再検証：2つの色識別研究の再現

著者
Shadmaan Hye、Andrew M. McNutt、Katherine E. Isaacs

掲載情報
IEEE VIS 2026 VisXVision workshop採録、arXiv:2608.24789、2026年8月25日公開

DOI・一次情報
10.48550/arXiv.2608.24789／IEEE VIS 2026

研究内容

約10年前に行われた2つの色識別研究を、新しい実験基盤と参加者で再現した研究です。散布図の色識別実験は144人、一般的な色識別実験は394人で実施しました。

色差やコントラストが大きいほど識別しやすく、散布図ではマークが大きいほど小さな色差を識別しやすいという主要な傾向が再現されました。一方、最小の散布図マークでは元研究との差が大きく、現在の画面解像度、自動輝度調整、実験基盤などの影響が考察されています。色に関係する趣味や知識の自己申告有無による有意差は確認されませんでした。

CUDとの関係・限界

CUDの配色判断では、色相や色差だけでなく、記号の大きさ、画面、明るさ、表示環境まで含める必要があることを再現性の観点から補強します。

オンライン実験のため、画面校正、解像度、周囲照明を統制していません。色関連経験も自己申告に基づきます。また、色覚特性当事者を主対象とした研究ではなく、「経験の影響が絶対にない」と証明したものでもありません。

2. 50を超える視覚AIは、人間らしい色識別閾値を持つか

原題
Do Vision Encoders Exhibit Human-like Color Thresholds?

日本語訳タイトル
視覚エンコーダは人間らしい色識別閾値を示すか

著者
Engy Ehab、Pablo Hernández-Cámara、Nahla Belal、Jesús Malo、Javier Vazquez-Corral、Alexandra Gomez-Villa

掲載情報
arXiv:2607.16540 [cs.CV], v1、2026年7月17日公開（査読前）

DOI・一次情報
10.48550/arXiv.2607.16540

研究内容

畳み込みニューラルネットワーク、Vision Transformer、自己教師ありモデル、言語教師ありモデルなど、50を超える事前学習済み視覚エンコーダの色に対する内部表現を調べた探索研究です。

制御された色刺激を入力し、モデルがどの範囲を「似た色」と表現するかを、人間の色識別楕円と比較しました。領域の重なりを示すmIoUは最良モデルでも0.25未満で、全体として人間との整合性は弱いと報告されました。自己教師ありモデルは比較的良好でしたが、どのモデル群も人間らしい色感度を自然に獲得しているとは言えませんでした。

CUDとの関係・限界

画像AIが大量の自然画像を学習していても、人間と同じ色の近さや識別しやすさを獲得するとは限りません。AIをCUD検査、自動配色、自動補正へ使う場合、人の知覚データと当事者評価で別途検証する必要があります。

査読前の探索研究です。単純な色刺激と内部埋め込みを評価しており、実際の図表理解やCVD当事者にとっての利用しやすさを直接測っていません。

3. 点・棒・線では、必要な色差が変わる（Classic）

原題
Modeling Color Difference for Visualization Design

日本語訳タイトル
可視化デザインのための色差モデリング

著者
Danielle Albers Szafir

掲載情報
IEEE Transactions on Visualization and Computer Graphics, 24(1), 392–401, 2018

DOI・一次情報
10.1109/TVCG.2017.2744359／著者公開PDF

Classicとする根拠

実際の可視化で使われる点・棒・線の形状と大きさを色差モデルへ組み込んだ基盤研究です。後続の配色設計やツールに接続され、2026年の再現研究が「影響力のある色識別研究」として散布図実験を再検証し、主要傾向を再現しています。古さではなく、実務への基盤性と独立した再現による継続的影響を根拠にClassicと分類しました。

研究内容

米国のクラウドソーシング参加者461人を募集し、散布図の点、棒グラフの棒、折れ線グラフの線について、色差、太さ、大きさ、形が識別に与える影響を測りました。除外後の解析対象は散布図72人、棒288人、線72人です。

マークが大きいほど小さな色差を識別しやすく、同程度の太さなら点よりも細長い棒や線の方が識別しやすいと報告しました。従来の大きな色票を前提とする色差尺度だけでは、小さな可視化マークの識別しやすさを過大評価する場合があります。

CUDとの関係・限界

配色表の色番号だけで可読性を判断せず、実際の点・線・棒のサイズや形まで含めて設計する根拠になります。CUDでは、さらに形、線種、直接ラベルなど色以外の手掛かりを併用する必要があります。

色覚特性を自己申告した参加者は解析から除外されており、CVD当事者への直接評価ではありません。単純化した図とオンライン環境による研究で、複雑な実データや周囲色の影響は限定的です。

今週のまとめ

3本をつなぐと、2018年の可視化向け色差モデルを2026年の再現研究が再検証し、さらに現代の視覚AIが人間の色識別閾値と十分に一致しないことが見えてきます。色の数値、AIの内部表現、シミュレーションのどれか一つだけでCUDを完了せず、実際のマーク、表示環境、利用者による確認を組み合わせることが重要です。

X投稿案

【CUD Weekly Research Picks】今週は、10年前の色識別研究の再現、50超の視覚AIと人の色閾値比較、点・棒・線で必要な色差を測った基盤研究を紹介。配色は色番号だけでなく、記号の大きさ・形・表示環境まで含めて設計すべきである。
https://tana1980.github.io/cud-research-whitepaper/weekly/2026-09-30/
#CUD #色覚 #アクセシビリティ

確認事項

紹介文献の性格（現在の台帳）

区分は判定日時点の文献の性格です。査読状況や研究の質を示すものではありません。