本研究提出了基于单目三维面部重建的合成凝视估计训练数据的新方法,利用投影匹配过程,配合掩码引导凝视估计模型和数据增强策略,显著提高了在具有非重叠凝视分布的跨数据集环境下的估计性能。
Jan, 2022
使用人工神经网络建立了一个模块化系统,通过对分别裁剪的眼睛进行估计,利用人脸检测和头部姿势估计组件,无需特殊硬件或红外滤光片,仅使用内置 RGB 相机进行人眼注视估计,通过包含大量合成数据集在训练模型中,达到了比相关方法更高的准确度。
Nov, 2023
该研究综合了语义分割和多尺度信息注入的方法,成功地在保留关键细节的情况下合成了符合给定病人眼睛语义分割掩码的眼睛图像。
Nov, 2019
通过生成面部的纹理三维网格,并从特定位置和方向的虚拟相机渲染训练图像作为现有数据集的补充方式,可以在目标特定任务中取得更好的推广效果,平均减少了 47% 的注视角度误差。
Oct, 2023
通过使用简单的光线分布模拟眼睛的关键图像特征,Light Eyes(LEyes)框架能够通过多样的凝视估计任务来令神经网络训练更容易配置,从而解决了深度学习在目光估计方面的问题。LEyes 训练的模型在瞳孔和眼角膜反射定位方面在众所周知的数据集上优于其他最先进的算法,并且通过使用更具成本效益的硬件,该模型的性能也超过了工业标准的眼动仪。未来,我们有信心 LEyes 将革新用于凝视估计模型的合成数据生成,并带来下一代基于视频的眼动仪的显著改进。
Sep, 2023
使用基于 3D 人脸模型和 3D 眼镜的虚拟合成方法,为眼镜脸图像数据集提供高保真度的数据集,并使用深度学习方法对其进行训练,从而在提高识别性能方面表现出更好的效果。
Jun, 2018
本文提出了一种用生成对抗网络生成大型合成数据集来进行注视估计的方法,该方法在移动设备上取得了最新成果并具有跨设备泛化能力。
Nov, 2017
使用降维技术衡量目标眼睛图像和合成训练数据之间的重叠,并修剪训练数据集以最大化分布重叠,从而解决模拟和实际数据样本之间的差异,从而实现鲁棒的、改善的性能。
Mar, 2024
探讨了利用机器学习技术进行眼部凝视估计的技术,论文中提出了在不受限制的场景下,通过使用眼部地标来预测凝视方向的方法,并讨论了采用合成数据进行眼部地标本地化训练的学习方法,并提出了使用该模型进行个性化凝视估计的方法。
Jul, 2022
通过使用半监督对比学习框架,本文提出了一种新的对比损失范式,从而实现了基于注视方向的估计,该框架在使用少量带有标签的注视数据集时,可以找到泛化解决方案,即使对于未见过的人脸图像也能有良好的性能表现,与其他用于注视估计的最先进对比学习技术相比,我们的对比回归框架表现良好。
Aug, 2023