PureGaze: Purifying Gaze Feature for Generalizable Gaze Estimation AAAI2022

Gaze: Purifying Gaze Feature for Generalizable Gaze Estimation AAAI2022"/>

PureGaze: Purifying Gaze Feature for Generalizable Gaze Estimation AAAI2022

论文
代码
概述：首次在视线估计进行域泛化探索→通过生成对抗网络最小化提取特征的视线无关分量。
视线估计问题可以定义为 g = F ϕ ( E θ ( I ) ) g=F_{\phi}(E_{\theta}(I)) g=Fϕ​(Eθ​(I))，其中 E θ E_{\theta} Eθ​是特征提取函数（如神经网络）， f ϕ f_{\phi} fϕ​是回归函数。I是外观信息，g是真实预测视线。用Z表示提取的特征，即 Z = E θ ( I ) Z=E_{\theta}( I) Z=Eθ​(I)，可以简单地将特征划分为两个子集，视线特征G和视线无关特征N，其满足，我们希望最小化提取特征和图像特征的交集，最大化提取特征和视线特征的交集。

具体来说， 对应最大化重建误差 ， 对应最小化实现估计误差 ，因此骨干网络loss为 ， ，为避免重建网络直接惰性欺骗骨干网络陷入局部极小值，同时设置重建任务交替训练。

局部纯化损失：使得对抗重建损失的关注点在眼睛周围，即设置，
权重α满足高斯分布的权重->两个眼睛中心坐标均值为均值
截断损失：避免重建图像差异过大（甚至像素翻转）截断像素差大于给定k值