用于视线估计的对比表示学习

自监督学习（SSL）已在计算机视觉中表示学习中变得普遍。值得注意的是，SSL 利用对比学习来鼓励视觉表示在各种图像变换下保持不变。另一方面，视线估计任务不仅要求对各种外观的不变性，还要求对几何变换的等变性。在这项工作中，我们提出了一个用于视线估计的简单对比表示学习框架，名为 Gaze Contrastive Learning（GazeCLR）。GazeCLR 利用多视角数据来促进等变性，并依赖于不改变视线方向的数据增强技术以进行不变性学习。我们的实验证明了 GazeCLR 在视线估计任务的若干设定下的有效性。特别地，我们的结果显示 GazeCLR 提升了跨域视线估计的性能，并取得了高达 17.2% 的相对提升。此外，GazeCLR 框架在少样本评估中与最先进的表示学习方法具有竞争力。代码与预训练模型可在 https://github.com/jswati31/gazeclr 获取。