MPIIFaceGaze
PulseAugur coverage of MPIIFaceGaze — every cluster mentioning MPIIFaceGaze across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法提高了非约束条件下的注视点估计精度
研究人员开发了一种名为“面向因素的注意力蒸馏”（FIUD）的新方法，以提高在非约束环境下的注视点估计精度。FIUD采用一种教师-学生框架，其中教师模型分析图像质量因素（如光照和清晰度）来预测注视点误差。然后，学生模型学习整合这些不确定性信号，从而增强其拒绝不可靠预测的能力。在大型数据集上进行测试，FIUD证明了其不确定性估计和选择性预测能力的提高，尤其是在具有挑战性的真实世界场景中。
-
开源EyeTheia工具箱提供基于网络的眼动追踪
研究人员开发了EyeTheia，一个开源、轻量级的深度学习眼动追踪流水线，使用标准网络摄像头进行眼动追踪。该系统结合了面部标志提取和卷积神经网络，提供实时追踪，适用于基于浏览器的实验和临床研究。在MPIIFaceGaze数据集上的性能评估表明，在使用校准之前，适应预训练模型和从头开始训练都能获得可比的结果，而用户特定的微调进一步减少了预测误差。在Dot-Probe任务中，EyeTheia与商业追踪器表现出高度一致性，为低成本眼动追踪提…
-
新的胶囊架构提高了注视估计的准确性和速度
研究人员开发了 CapStARE，一种用于注视估计的新型基于胶囊的架构。该系统利用冻结的 ConvNeXt 主干进行高效特征提取，并通过基于注意力的路由形成胶囊，以进行结构化的面部推理。它采用双 GRU 解码器进行轻量级序列建模，在 ETH-XGaze 和 MPIIFaceGaze 等基准数据集上实现了实时推理速度和强大的性能。
-
GMGaze模型利用CLIP和多尺度Transformer实现SOTA注视点估计
研究人员推出了一种新颖的注视点估计方法GMGaze，该方法利用多尺度Transformer架构并结合上下文感知条件。该方法通过早期融合图像特征和采用混合专家（MoE）设计以实现高效计算扩展，解决了现有模型的局限性。GMGaze在多个基准测试中展现了最先进的性能，在域内和跨域注视点估计任务中均提高了准确性。