研究综述表明:正常视力者在浅色模式下视觉表现更佳,因瞳孔收缩可减少像差、减轻疲劳;暗色模式则适合白内障等眼介质混浊患者。长期使用浅色模式可能与近视相关。建议默认采用浅色模式,同时提供深色模式切换选项。
本研究解决了认知负荷评估中缺乏自动检测手段的问题,探讨了基于瞳孔数据的机器学习方法来检测认知事件。通过将任务框定为二分类问题,并运用卷积神经网络,结果表明在不同认知任务中,模型的表现范围为0.47到0.80。这项工作展示了机器学习在基于瞳孔和眼动反应检测认知事件方面的潜力,对个性化学习和神经认知负荷管理优化具有重要意义。
本研究解决了眼动估计和眼动追踪技术中的关键问题,尤其是注释时间过长和技术门槛高的问题。通过利用SAM 2的零-shot分割能力,我们的关键发现是,该模型在瞳孔分割任务中,无需微调即可达到与专门模型相媲美的性能,平均交并比(mIoU)分数高达93%。
本研究解决了眼部组件解析(瞳孔、虹膜和巩膜)在AR/VR产品中眼动追踪与注视估计中的重要性。提出了一种新颖的方法CondSeg,通过分割标签直接估计瞳孔/虹膜的椭圆参数,且无需明确标注全椭圆,同时利用眼区掩码控制估计效果的可见性。实验结果表明,该方法在分割指标上具有竞争力,并为眼动追踪提供了准确的椭圆参数。
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。
完成下面两步后,将自动完成登录并继续当前操作。