本研究探讨了认知神经科学在自然语言处理中的应用，特别是眼动追踪信号的整合。通过用户中心的认知信号，提出了一种有效的数据增强方法，提升了视觉问答任务的表现，并减少了多模态大语言模型中的幻觉现象。

本研究提出AEGIS框架，利用眼动追踪数据指导强化学习，帮助自主智能车辆识别关键兴趣区域。通过120万帧数据，模型成功预测人类注意力模式，提升决策能力。

本研究提出了一种利用多模态传感器（如眼动追踪和生理手环）来估算人际间舒适的个人空间模型。该模型能够有效预测个人空间偏好，最高预测准确率为F1得分0.87，为智能社交空间的个性化管理提供了新思路。

本研究提出GazeReward框架，通过眼动追踪数据为大语言模型提供隐式反馈，解决了模型与人类期望对齐的问题。研究表明，该方法显著提高了模型在偏好数据集上的准确性，为优化AI与人类价值观对齐提供了新思路。

本文介绍了基于虚拟现实和眼动追踪技术的研究进展，包括FaceVR的面部动作捕捉、生成对抗网络的注视估计以及保护用户隐私的PrivateGaze解决方案。这些技术在动态虚拟头像生成、移动设备眼动追踪和DeepFake检测等领域展现了良好的应用潜力和性能。

本文提出了一种基于全脉冲神经网络的事件相关视频重建框架，利用Leaky-Integrate-and-Fire神经元实现高效图像处理。研究探讨了神经形态工程在视觉任务中的应用，介绍了事件相机在图像分割和运动估计中的有效性，并提出了提高眼动追踪系统精确度的新方法。

本文介绍了多种眼动追踪技术，包括基于卷积神经网络的iTracker模型、Siamese神经网络优化的视觉目标跟踪，以及CB-ConvLSTM模型用于事件驱动眼动追踪。这些技术在移动设备和边缘计算中的应用潜力，尤其在医疗和视觉研究领域具有显著优势。

本研究提出了一种新型自动眼动追踪方案，利用高斯过程回归模型消除显式标定需求，并自动补偿头戴显示器的微小移动，达到高准确性。同时，开发了自校准眼动跟踪方法和深度估计模型，显著提高了深度估计的准确性和泛化能力，适用于虚拟现实环境。研究还评估了不同机器学习方法在眼部特征追踪中的表现，并提出了基于 U-Net 的轻量级框架，有效估计眼周深度图。

本文介绍了多个眼动追踪相关的数据集和技术，如OpenEDS、MPIIGaze和Pupil。研究通过深度学习和虚拟现实技术提高眼动追踪的精度，解决了复杂环境下的瞳孔检测问题，并展示了其在不同应用场景中的有效性。

本文探讨了结合生物学方法与深度学习技术，以提升眼动追踪系统的精确度和效率。研究展示了通过神经形态学方法和人工智能导航算法，优化眼动追踪和视觉模拟工具，旨在改善视觉科学研究和视力矫正技术的应用。

本文介绍了一种基于神经形态学的眼动追踪方法，利用动态视觉传感器捕获事件数据，结合脉冲神经网络和低功耗处理器Speck，提高了系统的精确度和效率。研究提出的NeuroCLIP方法在多个数据集上实现了对未见对象的识别，并取得了优异的分类效果。