연구진은 조명, 선명도, 눈 가시성, 대칭성과 같은 요인을 기반으로 시선 추정 오류를 예측하는 Gradient Boosting 모델을 개발했어요. 이 모델을 통해 신경망 기반 학생 모델이 실시간으로 가볍게 불확실성 정보를 처리할 수 있도록 학습시켰어요. ETH-XGaze, Gaze360, MPIIFaceGaze 데이터셋에서 기존 방식보다 불확실성 예측 정확도와 오류 순위 상관관계가 향상됐어요.
기존 방식은 조명 변화나 눈 가림 등으로 인해 시선 추정 성능이 저하되는 한계가 있었어요. Factor-Informed Uncertainty Distillation (FIUD)은 이러한 문제를 해결하기 위해 이미지 품질 실패 요인을 기반으로 불확실성을 예측하는 새로운 프레임워크를 제시했어요.
FIUD는 제약 없는 환경에서 기존 방식 대비 성능 향상을 보여줬으며, 특히 시선 추정 오류가 큰 경우에 더욱 효과적이었어요.