跨域视线估计的广义标签漂移视角

旨在将在新目标域上训练好的视线估计模型推广到实际应用场景，跨域视线估计（CDGE）得出开发。现有CDGE方法通常提取域无关特征以缓解特征空间中的域漂移，但由广义标签漂移（GLS）理论表明，这种方法仍不足。本文引入了GLS视角来CDGE，并将跨域问题建模为标签漂移和条件漂移问题。提出了GLS校正框架，并提出了一种可行的实现方案，其中引入基于截断高斯分布的重要性重加权策略，以克服标签漂移校正中的连续性挑战。为将重加权后的源分布嵌入条件不变学习，我们进一步推导了条件算子差异的概率感知估计。在不同主干模型的标准CDGE任务上进行的大量实验验证了该方法在跨域泛化能力方面的优越性以及在各种模型上的适用性。