通过使用可穿戴式眼动仪监测眼动数据，我们构建了一个新的数据集，研究在非实验室环境下进行用户身份识别的准确度以及包括高阶速度导数在内的其他因素的影响。

Mar, 2024

该研究提供了 Gaze360 数据集和方法，可以在不受限制的图像中进行强大的三维凝视估计，通过时间信息扩展了现有模型，直接输出凝视不确定性的评估，并展示了在不同的凝视基准数据集上推广的性能，最后，在超市环境中应用该模型可用于评估客户的注意力。

Oct, 2019

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

该研究旨在使用头戴式相机捕获的视频，基于人的动作和视线方向，开发一种新的深度学习模型，能够在 First Person Vision（第一人称视角）环境下进行准确的行动识别，并在 EGTEA Gaze+ 数据集上超越了当前技术水平。

May, 2020

通过提供 VRBiom 数据集，该研究论文介绍了一种针对生物特征应用的新型虚拟现实头戴设备数据集，包含用于虹膜和周眼识别等生物特征应用的非传统视角的短视频，使得在硬件发展和生物特征应用研究方面取得进展成为可能。

Jul, 2024

提出了一种利用视频数据集和图像相结合的方法，通过学习用户注视与眼部外形之间的联系来提高眼动追踪的精度，实现基于网络摄像头的高准确度屏幕眼动追踪，不需要标记的数据并且通过视觉刺激和眼部图像信息融合可以达到监督式个性化的效果。

Jul, 2020

通过收集 GW 数据集（该数据集包括眼部运动、头部角速度、眼睛和场景图像），训练和评估了两种机器学习算法（随机森林和递归神经网络模型），用于眼睛运动分类（如注视、眼球、追踪）。分类器实现了近似于人类检测注视和眼球运动的 90％的性能，但在检测追踪运动时则低于 60％，并且追踪分类在没有头部运动信息的情况下更低。最佳模型对特征的显着性分析显示，分类不需要头部和眼睛跟踪坐标系的空间对齐。

May, 2019

本文介绍了一种基于眼动特征的生物识别身份验证方法，并针对多个数据集对其进行了广泛的用户身份识别研究。通过对刺激类型、IVT 参数等多方面的分析，发现选择最佳 IVT 参数、添加高阶导数特征和包含额外的眨眼识别器等三个方法对身份验证准确性的提高具有积极影响。

Nov, 2021

本文介绍了一个新的注视估计数据集 ETH-XGaze，其中包含超过一百万个高分辨率的图像，记录了各种头部姿态下注视点的位置，为今后的注视估计研究提供了统一的实验协议和评估指标。

Jul, 2020

近年来，许多研究人员开始研究虚拟现实（VR）追踪和交互数据在各种机器学习目的中的应用，包括用户识别、预测晕动症和估计学习收益。本文介绍了一项由我们基于 VR 的全尺寸装配模拟测试台（FAST）捕获的新的开放数据集。该数据集包括了来自 108 名参与者（50 名女性，56 名男性，2 名非二元）在 VR 中学习如何组装两个不同的全尺寸结构的数据。除了解释数据集的收集方式和描述包含的数据外，我们还讨论了该数据集如何被未来研究人员使用。

Mar, 2024