摘要

近年来，眼动估计（gaze estimation）的精度取得了显著提升。然而，现有模型往往未能充分利用其他计算机视觉（CV）任务中已被证明有效的多种算法与技术，例如小型ResNet网络、Inception网络结构以及集成模型等。此外，大多数现有的眼动估计模型依赖于双眼或完整人脸作为输入，但在真实场景数据中，往往无法保证双目图像均具备高分辨率。为此，本文提出一种新型眼动估计模型，该模型融合ResNet与Inception网络架构，并仅基于单眼图像即可完成预测。同时，我们设计了一种集成校准网络（ensemble calibration network），通过整合多个独立模型的预测结果，实现针对个体用户的个性化预测优化。得益于轻量化网络结构的设计，本方法在GazeCapture数据集上实现了优异性能，同时模型参数量极低。当使用双目图像作为输入时，未校准情况下的测试集预测误差为1.591厘米，而采用集成校准模型后误差进一步降低至1.439厘米。即使仅使用单眼图像输入，模型在未校准条件下仍可达到平均2.312厘米的预测误差，经集成校准后误差降低至1.951厘米。此外，我们观察到在测试集中右眼图像的预测误差显著低于左眼，这一发现对未来基于眼动估计的系统设计具有重要参考价值。