复现论文

PureGaze

PureGaze Overview

这篇文章在purify的角度重新定义了gaze estimation的这个问题。

对提纯问题的定义

基于提纯的思想，可以把 gaze estimation 的问题定义为 g = F( E( I ) )。

其中，E 是一个特征提取的函数，F 是一个回归的函数，I 是输入模型的 Face/Eye image，g 是estimated gaze。

同时，定义 Z = E( I )，Z 为提取到的特征。

在此基础上，可以认为输入的 I 就是一系列特征的集合。可以把输入特征分为两大类：一类是与gaze有关的特征，表示为 G，一类是与gaze无关的剩余特征，如光照（illumination），个体信息（identity）~~，外貌（appearance）、表情（expression）~~等等，表示为 N。

G 和 N 满足以下公式：

于是我们的任务就是——训练出足够好的特征提取器 E，使其*提纯出不包括视线无关特征 N 的特征 Z*。需要注意的是，我们认为与视线弱相关的信息也应该被忽略掉，已提高泛化性能。

自对抗的网络框架

我们设计了两个任务同时来做对抗：

1. 最小化图像 I 和提取出的特征 Z 的互信息，这也表示着提取特征 Z 应该包含较少的图像信息。
   

2. 最大化 gaze相关特征 G 和提取出的特征 Z 的互信息，提出特征 Z 应该保留更多的gaze相关信息。
   

自对抗的方法

两个任务组成了一个自对抗的提纯框架。因为在满足 task 1 时，需要舍弃一些图像信息，但是为了同时满足 task 2，与 gaze 特征无关的图像信息会先被舍弃，留下 gaze 相关的信息被保留。

实现 PureGaze

我们需要将之前提出的两个 task 落地实现，这涉及到如何实现 gaze estimation 的问题，和对抗性重建（adversarial reconstruction）。同时文章还提出了两种不同的计算损失的函数。

gaze estimation的实现

为了能够得到 gaze 相关信息的特征，我们需要先对图像进行一次 gaze estimation，同时这个操作也是从图像特征中保留了与 gaze 相关的特征的过程，也可以看作是对 task 2 的实现。

这个 gaze estimation 可以用任何的网络来实现，文章提出的是使用 backbone + MLP，backbone 用来进行特征提取，MLP 进行回归。这里Lgaze 损失用的是 L1 损失。

adversarial reconstruction的实现

为了要 remove general image information from extracted feature，我们提出对抗性重构的模块来实现这个问题。这个模块主要是为了去除与 gaze 无关的信息，是对 task 1 的实现。

这里我们假设：如果从提取特征中没办法重构出的原始输入图像，就认为提取的特征已经包含较少的图像原始信息。

首先使用一个 backbone 进行特征提取，我们使用一个 SA-module 进行重构，backbone 与 SA-module 相互对抗（因为 backbone 的作用是提取 gaze 相关特征，而进行重构的 SA-module 要不断增强其从特征中重构出原始图像的能力）。这里 SA-module 使用的 Lrec 损失是 pixel-wise MSE 损失。

文章很巧妙的设计，将相互对抗表现令 backbone 的损失 Ladv = 1 - Lrec。

还有，对抗网络的 task1 和 task 2 的 backbone 都是提纯 gaze 相关特征的网络，所以这两个 backbone 是共享权值的。

PureGaze 的整体架构

两个权值共享的 backbone 可以当做一个网络，

还有 MLP 网络和 SA-module ：

网络一共用到了两种 Loss 函数：

Problems

backbone 有两个目标，最小化 Lgaze 和最小化 Ladv。 最小化 Lgaze 意味着应该提取与注视有关的特征，最小化 Ladv 意味着应该去除图像特征。 这两个目标不是合作的而是对抗的，训练 backbone 包含了一个对抗学习的过程。

此外，Ladv 很容易满足于学习一个局部最优解来欺骗 SA-module。 要避免局部最优解。

Solution 1 - Local Purification Loss

因为眼部信息的 gaze 相关特征更多，所以希望更多关注眼部特征。希望能够对于局部进行提纯，设计了 LP-Loss。

使用 attention map（使用高斯混合分布，We use the coordinates of two eye centers as mean values, and the variance
of the distribution can be customized.
)，希望能够在去除图像特征时，保留一些眼部特征。

同时要注意，LP-Loss 只改变了 Ladv，没有改变 Lgaze，因为 gaze 特征不能只从眼部得到，需要整个人脸的特征。

Solution 2 - Truncated Adversarial Loss

因为我们重构的目的是去除 gaze 无关的特征，而不是要真正的生成差异更大的原始图像的“反向”图像，所以为了防止出现很大的像素“冗余”，进一步设计了 TA-Loss。

使用了门限值 k（k 的值为 0.75，
），用来截断 Ladv。换言之，如果两张图像的差异过大，即 Ladv小于门限值（图像差异大于0.25)时，指示函数会令 Ladv 为0，防止这种情况被学习到。

放一张伪代码：

这里面的w1 = w2 = 1.

Puregaze 实验

train dataset：Gaze360，ETH-XGaze；test dataset：MPIIGaze，EyeDiap

Baseline：Full-Face，RT-Gene，Dilated-Net，CA-Net

效果（跟 baseline gaze estimation 方法以及域迁移的方法对比）：in four cross-dataset tasks

因为过拟合，在源域上训练的 gaze estimation 模型在目标域上的表现效果较差。

跟域迁移的方法相比：

第三行：在加入了一些迁移时， ADL 和 PureGaze 的 backbone 一样，E->D 任务的表现并不是最好的。

第二行：在不加入迁移时，PureGaze 表现出了非常好的性能。

在 Full- Face 和 CA-Net 加入自对抗的框架（也就是 SA-Module 这个模块）后，在 CA-Net 上的表现性能有很大的提升，在 Full-Face 的各个任务上也都有所提升。

PureGaze 的方法是一种即插即用（plug-and-play attribute）的方法。