Promptable Gaze Target Estimation

新型可提示注视估计模型集成主体定位

研究人员推出了一种新颖的端到端方法——可提示注视目标估计（PGE），用于分析图像中的人类注视。与依赖多阶段流水线和显式输入的先前方法不同，PGE 使用自然语言或视觉提示来识别主体并预测注视目标。新推出的 GazeAnywhere 模型专为 PGE 构建，集成了主体定位和注视估计，在基准测试中取得了最先进的成果，并展示了其在临床应用中的潜力。此外，还发布了一个包含 120,000 个带提示注释的图像对的数据集 Gaze-Co，以支持这项任务。