开放词表定位

概念驱动的任意场景注视目标估计

Gaze Target Estimation Anywhere with Concepts

将自然语言或点提示作为条件输入，端到端地同时完成主体定位与注视目标热图预测，为视觉-语言模型在细粒度空间理解任务上提供了可复用的提示式范式。