gaze

本文重新审视多方对话中的受话者识别，提出用连续指向级别替代离散标签，并表明指向不仅与话轮转换相关，还涉及目光注视和反馈信号，暗示了层级结构。

ReViV是一个统一的整体性第一人称4D重建框架，它通过掩码生成式第一人称Transformer，从单目RGB视频中同时重建观看者（身体、手、视线）和场景（深度、相机轨迹）的动态，实现了最先进的准确性和效率。

GRASP是一个大规模数据集，用于多人物视频中的社交推理，将高层次社交问题与细粒度的注视和手势事件联系起来，并引入了社交基础奖励（Social Grounding Reward）以提升多模态模型的理解能力。