基于视线分解的表观视线估计偏移校准

基于表观的视线估计提供了相对无约束的视线跟踪。然而，独立于个体的模型由于个体差异而达到的精度有限。为了改进估计，我们提出了一种新颖的视线分解方法和单视线点校准方法，其动机是我们的发现：对于独立于个体的估计器，个体间平方偏差超过个体内方差。我们将视线角分解为依赖于个体的偏差项和视线角与偏差之间独立于个体的项。独立于个体的项由深度卷积网络估计。对于无校准跟踪，我们将依赖于个体的偏差项设为零。对于单视线点校准，我们在受试者注视某一点时拍摄的少量图像中估计该偏差。在三个数据集上的实验表明，作为无校准估计器，所提方法优于最先进的方法达 $10.0\%$。所提校准方法具有鲁棒性，并显著降低了估计误差（高达 $35.6\%$），在带校准的基于表观的眼动跟踪器中达到了最先进的性能。