视线标签对齐：缓解视线估计中的域迁移问题

视线估计方法在跨域评估时因测试数据与训练数据之间的域差异，会出现显著的性能下降。现有方法通过减少数据分布偏差来解决此问题，但忽略了由于视线标签获取机制和个体生理差异导致的标签偏差。本文首先指出标签偏差的影响无法被忽略，提出一种视线标签对齐算法（GLA），以消除标签分布偏差。具体而言，本文首先在所有域上训练特征提取器以获得域不变特征，然后选择一个锚定域训练视线回归器。预测剩余域上的视线标签，并使用映射函数对标签进行对齐。最终，这些对齐后的标签可用于训练视线估计模型。因此，该方法可与任何现有方法结合。实验结果表明，我们的GLA方法能够有效缓解标签分布偏移，SOTA视线估计方法的性能得到了显著提升。