本文提出了一种基于智能手机的凝视追踪器的开源实现，利用机器学习技术实现了与专业设备相当准确度的眼动追踪解决方案，并通过复制之前的研究关于眼动行为和自然图像观察中显著性分析的关键发现，强调了智能手机凝视追踪在阅读理解挑战中的应用潜力，以及在视觉研究、无障碍增强和医疗应用等领域的益处。

Aug, 2023

本文介绍了 GazeCapture 这一大规模数据集，使用这一数据集训练了基于卷积神经网络的眼动预测模型 iTracker，实现了在移动设备上的实时眼动追踪。该模型能够达到较高的预测准确率，并具有广泛的泛化性能。

Jun, 2016

通过比较不同机器学习方法在眼部特征追踪中的表现，本研究客观评估了这些方法对最终注视估计质量的影响。

Mar, 2024

本文对快速光照变化、瞳孔遮挡、非中心和偏轴眼睛记录以及生理学眼睛特征等复杂情况下的自动瞳孔检测进行了研究，提出了基于双卷积神经网络的方法，能够提高瞳孔检测的准确率。

Jan, 2016

本研究提出一种新颖的自动眼动追踪方案，使用高斯过程回归模型对角膜位置与屏幕位置之间的连续映射进行建模，以消除了对显式标定步骤的需求，并自动对头戴显示器相对于头部的微小移动进行补偿，从而达到了与显式标定步骤几乎相同的准确性。

Dec, 2016

本文介绍了一种利用计算机视觉来增强移动眼动跟踪的影响的新方法，通过将面部检测器和移动眼动追踪相结合，计算了教师在教学过程中对每个学生的注意力焦点，以便在课堂互动的复杂性中识别出学生的相关需求，这是将计算机视觉和移动眼动跟踪结合起来对教师提出关注时的第一次工作。(Translation: This paper presents a novel method to enhance the impact of mobile eye tracking by connecting it with computer vision, calculating teachers’ attentional focus per student during a teaching unit, in order to recognize the relevant needs for learning in the complexity of classroom interaction. This is the first work to combine computer vision and mobile eye tracking to model teachers' attention while instructing.)

May, 2018

本文对移动交互式系统中利用凝视作为单一或补充交互模式的最新技术和应用进行全面综述，并重点介绍了凝视捕捉传感器，凝视估计工作流，深度学习技术以及凝视交互应用等关键领域。

Jun, 2023

本研究评估了最先进的基于外观的凝视估计，涉及不同的感应距离，室内和室外的交互场景，带和不带眼镜的用户，并讨论了其在具有重要凝视为基础的应用程序中的应用，因此，我们呈现了 “OpenGaze”，这是外观凝视估计和交互的第一个软件工具包，以使其在人机交互中广泛使用。

Jan, 2019

介绍了一种专门设计用于单眼输入的注视估计任务的新型深度神经网络架构，通过回归中间图像表示来简化三维注视方向估计任务，定量和定性结果表明该方法比现有技术实现了更高的精度，且对视线、头部姿势和图像质量的变化具有鲁棒性。

Jul, 2018

我们提出了 MPIIGaze，包括 213659 个人的实验数据，并对现有的三个数据集进行了广泛的评估，研究了目标视线范围、光照条件和面部外观变化等关键挑战，提出了第一种深度外观估计方法 GazeNet，并将平均误差从 13.9 度提高到 10.8 度，这是当前技术水平的改进。

Nov, 2017