抑制视线估计中的不确定性

视线估计中的不确定性表现在两个方面：1）由遮挡、模糊、不一致的眼动甚至非人脸图像导致的低质量图像；2）由于标注过程中标注视线点与实际视线点之间的错位导致的错误标签。允许这些不确定性参与训练会阻碍视线估计性能的提升。为了解决这些挑战，在本文中，我们提出了一种有效的解决方案，名为抑制视线估计中的不确定性（SUGE），它引入了一种新颖的三元组标签一致性度量来估计和减少不确定性。具体来说，对于每个训练样本，我们提出估计一个新颖的“邻域标签”，通过从邻域进行线性加权投影计算得到，以捕获图像特征与其对应标签之间的相似性关系，该标签可以与预测的伪标签和真实标签结合用于不确定性估计。通过建模这种三元组标签一致性，我们可以衡量图像和标签的质量，并通过我们设计的样本加权和标签校正策略进一步大幅减少不合格图像和错误标签的负面影响。在视线估计基准上的实验结果表明，我们提出的SUGE达到了最先进的性能。