深度域适应：一种用于改进眼动追踪系统的仿真到现实的神经方法

眼部图像分割是眼动追踪中的关键步骤，对最终的注视估计有很大影响。使用监督机器学习训练的分割模型在此任务上表现出色，但其有效性取决于目标数据集所定义的狭窄图像属性分布与高度特定的训练数据集之间的重叠程度，而此类训练数据集很少。尝试通过包含合成眼部图像来拓宽现有眼部图像数据集的分布，但发现仅在合成图像上训练的模型通常无法泛化回真实世界的眼部图像。作为补救措施，我们使用降维技术来测量目标眼部图像与合成训练数据之间的重叠度，并以最大化分布重叠的方式修剪训练数据集。我们证明，我们的方法在处理仿真与现实世界数据样本之间的差异时，能带来鲁棒且改进的性能。