ARGaze:自回归Transformer实现在线注视点估计
arXiv 2602.05132 | 2026年2月
一、研究背景
1.1 注视点估计的重要性
注视点(Gaze)估计是驾驶员监控系统的核心技术:
应用场景:
- 视线偏离道路检测(Euro NCAP DSM核心指标)
- 认知分心判断(视线停留在后视镜但未移动)
- HMI免触交互(眼动选择菜单)
- 警告优先级判断(视线是否在碰撞风险方向)
1.2 传统方法局限
| 方法 | 问题 |
|---|---|
| 基于几何模型 | 需要精确标定,对头位敏感 |
| 基于CNN回归 | 单帧预测,缺乏时序一致性 |
| 视频CNN(3D) | 计算重,延迟高 |
核心挑战:
- 注视点具有强时序依赖性(眼睛不可能瞬间跳跃)
- 实时推理需要低延迟(<10ms)
- 跨个体泛化困难
1.3 ARGaze创新点
将注视点估计重新定义为序列预测问题:
flowchart LR
subgraph 传统方法
A1[单帧图像] --> B1[CNN回归]
B1 --> C1[注视点坐标]
end
subgraph ARGaze
A2[当前帧图像] --> B2[视觉特征提取]
D[历史注视序列] --> E[Transformer解码器]
B2 --> E
E --> F[当前注视点]
F --> G[滑动窗口缓存]
G --> D
end
style ARGaze fill:#e8f5e9
二、模型架构
2.1 自回归注视点预测
核心思想:利用历史注视点序列预测当前位置,类似语言模型预测下一个词。
1 | |
2.2 自回归训练策略
1 | |
三、实验结果
3.1 数据集
| 数据集 | 场景 | 受试者 | 样本数 |
|---|---|---|---|
| GazeCapture | 手机前置 | 1450 | 2.5M |
| MPIIGaze | 笔记本 | 15 | 90K |
| ETH-XGaze | 头戴式 | 110 | 1.3M |
| 车内场景 | 模拟器 | 50 | 200K |
3.2 性能对比
| 方法 | 角度误差(°) | 延迟(ms) | 参数量 |
|---|---|---|---|
| iTracker | 4.8 | 25 | 12M |
| Gaze360 | 4.2 | 35 | 28M |
| FullFace | 3.9 | 20 | 8M |
| ARGaze | 3.1 | 8 | 6M |
3.3 自回归效果分析
1 | |
四、边缘部署
4.1 实时推理优化
1 | |
4.2 车载系统集成
flowchart TB
subgraph 硬件层
A[DMS摄像头<br/>IR 940nm]
B[ISP处理]
end
subgraph 算法层
C[人脸检测]
D[眼部区域裁剪]
E[ARGaze推理]
F[历史缓存管理]
end
subgraph 应用层
G[视线方向判断]
H{偏离道路?}
I[警告触发]
end
A --> B --> C --> D --> E
E <--> F
E --> G --> H
H -->|是| I
H -->|否| J[正常监控]
五、扩展实验与深度分析
5.1 不同历史窗口长度影响
1 | |
结论:历史窗口长度16是最佳平衡点(误差3.1°,延迟8ms)。
5.2 自回归vs单帧预测对比
| 场景 | 单帧CNN误差 | 自回归ARGaze误差 | 改善 |
|---|---|---|---|
| 静止注视 | 2.8° | 2.5° | 10.7% |
| 平滑追踪 | 4.2° | 2.8° | 33.3% |
| 快速扫视 | 5.8° | 4.5° | 22.4% |
| 头部运动 | 6.2° | 4.2° | 32.3% |
5.3 实车部署验证
测试环境:
- 车型:某品牌2026款SUV
- DMS硬件:IR摄像头(940nm,30fps)
- 处理器:Qualcomm SA8255
测试结果:
| 指标 | 数值 |
|---|---|
| 平均延迟 | 9.2ms |
| 峰值延迟 | 15ms |
| CPU占用 | 12% |
| 功耗 | 1.8W |
| 角度误差 | 3.3° |
5.4 与其他方法的详细对比
1 | |
六、总结与展望
6.1 核心贡献
- 自回归建模:将注视点估计重新定义为序列预测问题,利用历史信息提升稳定性
- 时序一致性:减少注视点抖动,提高稳定性(抖动降低60%)
- 低延迟推理:8ms延迟满足实时车载应用要求
6.2 应用价值
- Euro NCAP DSM视线偏离检测(评分占比5分)
- L3自动驾驶接管准备度判断
- 智能座舱眼动交互(菜单选择、手势辅助)
6.3 未来改进方向
- 多模态融合:结合面部关键点+头部姿态提升鲁棒性
- 个性化校准:针对不同用户自动调整历史权重
- 光照适应:针对夜间/隧道场景增强推理能力
本文为arXiv 2602.05132论文解读。代码基于论文描述实现。实际部署需考虑实时性、功耗、鲁棒性等工程因素。
ARGaze:自回归Transformer实现在线注视点估计
https://dapalm.com/2026/07/20/2026-07-20-05-ARGaze-Autoregressive-Gaze-Estimation/