贝叶斯眼动追踪

基于模型的眼动追踪因其能够泛化至不同受试者而无需任何训练数据与眼动注视标注，一直是眼动追踪的主导方法。然而，基于模型的眼动追踪易受眼部特征检测错误的影响，尤其在无约束环境下的眼动追踪中。为解决此问题，我们提出一种用于基于模型眼动追踪的贝叶斯框架。所提系统由级联贝叶斯卷积神经网络（c-BCNN）构成，以捕捉眼部外观与其关键点之间的概率关系，以及几何眼睛模型以从眼部关键点估计眼动注视。给定测试眼图，该贝叶斯框架可通过贝叶斯推断生成眼动注视分布，无需显式关键点检测与模型训练，并据此不仅估计最可能的眼动注视还估计其不确定性。此外，借助贝叶斯推断而非基于点的推断，我们的模型不仅能更好地泛化至不同受试者、头部姿态与环境，且对图像噪声与关键点检测错误具有鲁棒性。最后，利用估计的注视不确定性，我们可构建级联架构以逐步提升注视估计精度。相较于最先进的基于模型与基于学习的方法，所提贝叶斯框架在多个基准数据集上的泛化能力以及挑战性真实条件下的精度与鲁棒性均展现出显著提升。