事件型眼动跟踪中的双路径增强：增强鲁棒性与自适应时序建模

事件型眼动跟踪已成为增强现实和人机交互的关键技术。然而，现有方法在面对突发性眼动和环境噪声等现实挑战时表现不佳。基于轻量级时空网络——一种为边缘设备优化的因果体系结构——我们提出了两项关键性进展。第一项是引入鲁棒数据增强管线，包括时间位移、空间翻转和事件删除，显著提升模型鲁棒性，在具有挑战性的样本上将欧几里得距离误差降低 12%（从基线 1.70 降至 1.61）。第二项是提出 KnightPupil，一种混合体系结构，集成 EfficientNet-B3 backbone 用于空间特征提取、双向 GRU 用于上下文时序建模，以及线性时变状态空间模块以适应稀疏输入和噪声的动态调整。在 3ET+ 数据集上进行评估，我们的框架在 CVPR 2025 Event-based Eye Tracking Challenge 私有测试集上实现了 1.61 的欧几里得距离，证明其在 AR/VR 系统中具备实际部署价值，为神经器官视觉系统的未来创新奠定了基础。