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

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

通过利用单次相位测量偏转术（PMD）的教导，我们提出了一种利用镜面反射快速准确地评估注视方向的新方法，该方法通过仅在单个相机帧中获取角膜和巩膜的密集三维表面信息，在获得的反射表面点（“闪光”）方面可以实现超过 3300 倍的改进。

Aug, 2023

虚拟现实头戴设备往往导致用户出现不良影响，如数字视疲劳、干眼症以及潜在的长期视力损害。为了解决测量问题，本研究提出了一种基于 U-Net 3 + 深度学习模型的轻量级框架，可以估计可测量的眼周深度图。该方法适用于任何配备有面向眼部的单眼摄像头的 VR 头戴设备，可以重建三维眼周区域，为相关光刺激计算协议和医疗指南提供度量基础。通过使用 UE MetaHuman 创建的动态眼周数据生成环境，我们合成了数千个训练图像。在 36 名参与者的样本上评估了我们的方法，在眼周全局精度评估实验和瞳孔直径测量方面表现出显著的效果。

Nov, 2023

提出了一个包含 50 个具有独特多样性的现实中场景的数据集，用于评估单目视觉里程计和 SLAM 方法的跟踪精度，并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法，该研究详细评估了两种现有方法（ORB-SLAM 和 DSO）在该数据集上的效果。

Jul, 2016

使用第一人称视角设备拍摄的图像、视频和传感器数据来实现自我的视场定位，并进行图像和视频匹配，最后用于增强现实、事件理解和社交交互研究。

Oct, 2015

使用新型凝视分解方法和单凝视点校准方法，该文提出了一种改进估算凝视点的方法，采用深度卷积网络估算凝视角度的主体独立项，实验结果表明，在消除校准的情况下，所提方法比现有技术的表现好 100％，而通过仅仅使用少量图像校准，误差可以减少多达 35.6％，达到了最先进的标准。

May, 2019

提出 SalGaze，一种利用视觉内容中的显著性信息，无需显式用户校准，可透明地适应用户注视估计算法的框架，能够使用与标准点校准数据不同的显式视频显著性校准数据的统一框架，优于现有方法，精度提高了 24%。

Oct, 2019

本文介绍了两个嵌入在驾驶模拟器中的凝视区域估计模块，一个使用 3D Kinect 设备，另一个使用虚拟现实 Oculus Rift 设备。通过实验发现，Oculus Rift 是用于凝视估计的最佳硬件，其凝视区域估计方法表现最佳，准确度达到 97.94%。这一凝视信息丰富了驾驶模拟器数据，使得除了提供虚拟现实体验外，还能实现多模态驾驶表现分析。

Feb, 2024

通过开发头部和眼部跟踪数据集，本研究揭示了在多个用户和视频的实验设置中，眼球注视相对视野下方固定位置的一致偏移现象，从而挑战了视野中心位置的注视注意力按照高斯分布递减的广泛假设，并提供了根据给定头部或眼部坐标和预生成的视频注视分布图集生成注视分布的脚本。

Mar, 2024