本研究提出了一种使用生成对抗网络训练的方法，用于在保持外观一致、生成逼真图像的同时实现目标凝视方向的眼部图像重定向，并通过感知相似性和一致性来优化生成图像的准确性。经广泛评估，该方法在图像质量和重定向精度等方面优于现有先进技术，并且可以通过与现实数据相结合，在凝视估计任务中取得显著的性能提升。

Mar, 2019

通过模型匹配的方法构建 GazeDirector 用于眼睛注视的重新定向，其通过分析与合成来追踪眼睛，实现了对 3D 准确指定目视的功能，并在 Columbia 注视数据集上的实验中得到了良好的结果。

Apr, 2017

本文提出了一种新颖的生成模型，能够在控制眼睛注视和头部方向角度方面达到细粒度控制，并通过在自学习中学习发现、解缠和编码这些外部变化来分离众多与外貌相关的因素，进而优化了准确性和数据下游任务，从而提高了端到端交叉数据集准确性的能力。

Oct, 2020

本文提出了一种改进全脸图像中注视和头部重定向的角度精度和真实性的方法，通过单目三维人脸重建的数据增强来扩展头部姿态和注视范围，以解决当前模型在处理大角度重定向时的限制。此外，我们还提出了一个能够在训练合成数据的情况下提供更好图像质量和未知对象身份保留的框架。实验证明，我们的方法在保持高图像质量的同时，显著提高了重定向角度精度，特别是在大角度重定向时。

Sep, 2023

该研究提出了一种不需要注释的低维注视表示学习方法，在少于 100 个标注样本的情况下，实现了有竞争力的 few-shot 注视估计结果，并且可以应用于不同的实验数据集和注视网络预训练等方向。

Nov, 2019

提出一种基于神经辐射场的头眼重定向参数模型，使得可以通过无监督学习操纵不同面孔属性的潜在代码来获取多样的三维感知凝视数据集，进而实现涉及面孔属性、身份、照明和眼部凝视方向的分离渲染，并在多个基准数据集上验证了其在不同域通用性和自适应性上的有效性。

Dec, 2022

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

本研究提出了一个训练数据合成和注视估计模型的有效训练流程，用于无监督域自适应，包括使用单幅图像 3D 重建来扩展源域中头部姿势的范围，提出了一个自编码器网络来分离与注视相关的特征，并引入背景增强一致性损失来利用合成源域的特点，在多个目标域上进一步提高了性能。

May, 2023

该论文提出了一种自适应的方法来清洗现有的人类凝视数据集，并提出了一个健壮的卷积自我注意凝视预测模型，实验证明我们的清洗方法和模型能够显著提高 ADS 性能和泛化能力。

May, 2023

该论文提出了一种基于图像合成的方法来解决准确定位眼睛注视点的需求，利用 ReDirTrans 并结合 e4e-StyleGAN 构建了 ReDirTrans-GAN 网络作为数据集增强的手段，能够准确地定位包含完整面部信息且分辨率高达 $1024 imes1024$ 的图像中的眼睛注视点。

May, 2023