穿透噪声：基于视觉变换器的眼动估计领域泛化提升

可泛化的眼动估计方法因其在实际应用中的关键重要性而受到日益关注，已取得显著进展。然而，这些方法常忽视标签噪声——源于获取精确眼动标注的内在困难——对模型泛化性能的负面影响。在本文中，我们首次全面探究标签噪声对眼动估计中泛化的负面影响。进一步，我们提出一种新解决方案，称为 See-Through-Noise（SeeTN）框架，从缓解标签噪声的角度提升泛化性。具体而言，我们提出通过原型转换构建语义嵌入空间，以保持眼动特征与连续标签之间的一致拓扑结构。随后，我们衡量特征-标签亲和力一致性以区分噪声样本与干净样本，并引入语义流形中的新型亲和力正则化，将干净样本的眼动相关信息传递给噪声样本。我们提出的 SeeTN 通过语义结构对齐并强制领域不变的眼动关系，从而提高对标签噪声的鲁棒性。广泛的实验表明，SeeTN 有效缓解了源域噪声的不利影响，实现卓越的跨域泛化，同时不损害源域准确性，凸显了在泛化眼动估计中显式处理噪声的重要性。