SG-Gaze：用于可泛化 3D 视线估计的结构与几何一致表征学习

基于摘要分析。本文研究基于外观的 3D 视线估计，针对现有表征难以兼顾结构与几何一致性、依赖多视角数据及跨域泛化不足的问题，提出双分支框架 SG-Gaze，学习结构与几何一致表征 SGR；研究对象并非 EEG 解码或 BCI。 机制上，解析分支将特征嵌入测地线对齐的球面流形，用于可解释回归；模型引导分支利用弱 2D 边缘监督重建 3D 眼球结构，并通过对抗对齐协调外观判别性、结构保真性与几何一致性。View-Consistent Regularization 对训练表征施加合成视角扰动，并约束视线向量与结构投影的旋转等变一致性，旨在降低对多视角采集的依赖，缓解受控环境与自然场景间的分布偏移。具体损失形式、扰动生成方式及监督构造尚未验证。 作者报告，在合成与真实数据集的 12 个迁移设置中，SG-Gaze 达到最先进的准确性并表现出较强跨域泛化。摘要未给出数据集名称、划分、对照基线、具体指标或数值，因此无法量化提升或比较不同迁移协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究借鉴的是将已知变换与输出一致性绑定的约束思路，而非直接复用眼球模型。假设用于 EEG 跨被试或跨会话学习，需要把视角旋转及眼球投影替换为具有明确物理含义的电极布局变换与相应表征约束；球面输出空间也不能直接套用于一般 EEG 分类。低信噪比、通道差异与小样本可能使合成变换偏离真实信号分布。一个可证伪的小实验是在固定跨被试划分和相同骨干下，对比有无电极坐标一致性约束，并核对标签保持与性能变化。原文并未验证该迁移路径，已有 EEG 相关工作尚未检索确认。