arXiv · 机器人与计算机视觉· Junhui She, Fei Wang, Kun Li, Yiqi Nie, Yuxin Liu, Zhangling Duan, Xun Yang·· 6 天前AI 评分38
TextGaze:利用文本场景线索提示 gaze target estimation 的跨模态架构
TextGaze: Prompting Gaze Target Estimation with Textual Scene Cues
AI 导读
TextGaze 提出一种统一跨模态架构,利用冻结编码器提取视觉特征并借助大视觉语言模型获取 gaze-aligned 文本线索。该方法在四个主流数据集上评估,无需额外微调即展现出关键指标上的竞争力与鲁棒的跨数据集泛化能力。研究为传统设计提供了简化替代方案,突显了 LVLM 作为可访问辅助引导的潜力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org