GazeFlow：从人类注视行为到生成式第一人称注视预测

GazeFlow 把第一人称注视预测建模为时序注视位置的联合分布，用条件流匹配（CFM）将高斯噪声迭代搬运为合理注视轨迹。速度场以视频编码器提取的自底向上视觉特征和全局查询得到的自顶向下任务信息为条件。在标准数据集上逐帧指标达到 SOTA，生成轨迹与人类注视时间动态更吻合，论文已被 NeurIPS 2026 接收。