基于解缠子子空间对比学习的半监督注视估计
计算机视觉与模式识别
2026-05-27 v1
摘要
基于外观的注视估计始终因标注样本有限和数据集多样性不足而 suffer于泛化性能差。主流方法采用弱监督学习，从无约束的真实场景中生成大规模伪标签数据，以缓解域迁移。本文构思一种简单却有效的半监督学习架构，利用无标签数据增强域泛化，从而减少对耗时的手动标注依赖。我们的关键见解是对特征表示施加雅可比正则化，将其解缠子为专为特定注视组件（如俯仰角和偏航角）分配的判别子空间。我们进一步利用每个子空间内的固有序数排序进行对比学习，使模型能够从小量标注样本和丰富的无标签样本中学习鲁健的注视表示。最终形成我们的解缠子子空间对比学习(DSCL)框架。大量实验验证，所提出的DSCL为插即用式设计，在5%、10%和20%标注数据下，均在域内和跨域评估设置下实现竞争性性能。代码已公开于\href{https://github.com/da60266/DSCL}{https://github.com/da60266/DSCL}。
引用
@article{arxiv.2605.27080,
title = {Semi-Supervised Gaze Estimation via Disentangled Subspace Contrastive Learning},
author = {Qida Tan and Hongyu Yang and Wenchao Du},
journal= {arXiv preprint arXiv:2605.27080},
year = {2026}
}
备注
ICML2026