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

利用少量用户特定的眼动跟踪数据从自然图像和相应的显著性图中提取用户嵌入，创造了一个能够对个体用户细化通用显著性图的新方法。通过对不同用户的图像和个人显著性图对比，使用一个 Siamese 卷积神经编码器学习用户嵌入。在两个公开显著性数据集上的评估表明，产生的嵌入具有较高的区分能力，在用户和图像间具有良好的泛化能力。结论指出，基于模型编码个体用户特征的能力，我们的工作为其他能够受益于可重用的注视行为嵌入的应用提供了方向。

Mar, 2024

本文研究了如何在自然社交场景下，通过多任务学习方法精准地估计人们在图像中的视觉关注与注视点，特别考虑了视线方向及目标超出画面的情况。该方法在多项测试中取得了优异表现，扩展了现有数据集，公开发布。

Jul, 2018

本文介绍了一种基于差分方法的凝视估计技术，使用差分卷积神经网络直接预测同一受试者的两个眼睛输入图像之间的凝视差异，然后利用推断出的差异来预测新眼睛样本的凝视方向。实验结果表明，该方法即使只使用一个校准样本或在后续使用受试者特定的凝视适应方法时，也始终优于现有的方法。

Apr, 2019

本文介绍了一种基于网络摄像头的注视追踪系统，支持大规模的众包眼动追踪。该系统通过谨慎的算法和游戏协议设计，以相对较低的成本和研究人员的少量努力获得了与传统实验室设置相当的视觉显著性预测数据。使用该工具，作者建立了一个自然图像的显著性数据集，并提供了一个 Web 服务器，研究人员可以上传图像以从 AMTurk 获取眼动追踪结果。

Apr, 2015

本研究创建了一个新的注视数据集并分析了经过不同变换的图像与原始图像观察者的注视行为，发现有效的数据增强变换可以帮助训练深度显著性模型，此外，利用基于生成对抗网络的新型显著性模型可以更稳健地预测图片的显著性。

May, 2019

本文提出了一种基于单个姿态估计模型采集的面部关键点的相对位置来估计个体注视方向的神经网络回归器，结合目标遮挡情况下的置信度门控单元，实现了对复杂辅助生活环境中居民与周围物体互动的自动推理；实验结果表明，该模型与数据集特定的复杂基线模型相媲美。

Sep, 2019

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

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

该论文提出了一种基于场景语义和注视信息相结合的自动驾驶注意力预测方法 SAGE，并通过修改自动驾驶的关键预测参数，设计了一个完整的预测框架 SAGE-Net，实验证明 SAGE 在不增加计算量的情况下，可以优于现有技术 87.5% 的案例。

Nov, 2019