本研究提出了一种广义标签偏移（GLS）方法，以解决跨域视线估计中的领域偏移问题。通过重要性重加权策略，实验结果表明该方法在不同模型上具有良好的泛化能力。

本研究提出了LG-Gaze框架，将视线估计视为视觉-语言对齐问题，利用视觉-语言模型的先验知识，显著提升了视线估计的准确性和效率。

该文综述视线估计研究进展，涵盖MPIIGaze数据集、GazeNet深度外观方法、多模态卷积网络、单阶段多人脸注视估计、联邦学习隐私保护、半监督对比学习、RGB相机模块化系统、单目三维重建合成数据、全脸外观识别、PnP-GA域适应框架及注意机制多模态架构，显著降低误差并提升跨域性能。

该文综述了基于Transformer的注视分析研究，涵盖注视目标检测、注视对象预测和视线估计等任务。代表性方法包括GaTector、GG-Transformer、HGTTR和Gazeformer，采用单阶段流水线、特定-通用特征提取及能量聚合损失等技术实现端到端联合检测。实验表明，注视目标检测AUC提升2.91%，注视距离减少50%，分类定位精度提高11-13%，在多个基准上达到最新水平。