驾驶员视线丢失8.5%时间，CCGF用前60帧因果预测实时恢复
Context-Aware Causal Gaze Forecasting for Human-Vehicle Interaction During In-Cabin Tracking Dropouts
📖 AI 总结
该研究针对车载驾驶员监控中视线追踪器在驾驶员大幅转头（如回头观察、看后视镜、路口扫视）时频繁丢失目标的问题，提出因果视线恢复任务：在不使用当前及未来目标追踪数据的前提下，仅凭丢失前的历史信息预测缺失时段的视线。作者构建了因果上下文门控预测器（CCGF），融合60帧视线与头部姿态历史及DINOv3场景特征，并通过可学习的可靠性门控动态调节两者贡献。基于10名驾驶员、10.5小时自然驾驶数据中的2047次真实头眼丢失事件评估，头眼丢失占总记录时长的8.5%。在留一驾驶员评估下，采用实时场景更新时中位误差为175.7像素（10.5度），较仅用历史的因果预测降低33%；冻结场景输入时误差升至210.8像素（12.9度），表明丢失期间获取的场景信息具有预测价值。该工作为在线驾驶员监控提供了可行的因果视线补全方案，并将公开数据集与评估协议。
🔑 关键词速览
| Causal Gaze Recovery | 因果视线恢复：在时间 t 仅利用过去信息预测当前不可用的视线，不依赖未来观测。 |
| CCGF (Causal Context-Gated Forecaster) | 因果上下文门控预测器：一种结合视线/头部姿态历史与场景特征，并通过可靠性门控进行因果视线预测的模型。 |
| DINOv3 | 一种自监督视觉Transformer模型，用于提取场景的通用视觉特征。 |
| GazeSense head_lost | GazeSense系统中因头部大幅旋转导致视线追踪器丢失驾驶员眼部的事件。 |
| Leave-one-driver-out | 留一驾驶员交叉验证：每次留出一名驾驶员的数据用于测试，其余用于训练，以评估跨驾驶员泛化能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅