CapStARE: 基于胶囊的时空架构用于稳健且高效的凝视估计
计算机视觉与模式识别
2025-09-25 v1
摘要
我们提出 CapStARE，这是一种基于胶囊的时空架构用于凝视估计，集成了 ConvNeXt 主干网络、胶囊形成与注意力路由以及专为慢速和快速凝视动力学设计的双 GRU 解码器。这一模块化设计实现了高效的部件-整体推理和离散化的时间建模，在 ETH-XGaze（3.36）和 MPIIFaceGaze（2.65）上实现了最先进的性能，同时保持实时推理（< 10 ms）。该模型在 Gaze360（9.06）和 RT-GENE（4.76）中的人类-机器人交互场景中也表现出良好的泛化能力，凭借更少的参数和更大的可解释性优势超过或匹配现有方法。这些结果表明，CapStARE 提供了一个在交互式系统中实现实时凝视估计的实用且稳健的解决方案。相关代码和结果可在：https://github.com/toukapy/capsStare 查阅。
引用
@article{arxiv.2509.19936,
title = {CapStARE: Capsule-based Spatiotemporal Architecture for Robust and Efficient Gaze Estimation},
author = {Miren Samaniego and Igor Rodriguez and Elena Lazkano},
journal= {arXiv preprint arXiv:2509.19936},
year = {2025}
}