MAC-Gaze：面向移动视线追踪的运动感知持续校准

移动视线追踪面临一个根本性挑战：随着用户自然改变姿势和设备朝向，需保持准确性。传统校准方法（如一次性校准）无法适应这些动态条件，导致性能随时间下降。我们提出了 MAC-Gaze，一种运动感知的持续校准方法，利用智能手机惯性测量单元（IMU）传感器和持续学习技术，自动检测用户运动状态的变化并相应更新视线追踪模型。我们的系统集成了预训练的视觉视线估计器和基于 IMU 的活动识别模型，并带有基于聚类的混合决策机制，当运动模式与先前遇到的状态发生显著偏离时触发重新校准。为了在缓解灾难性遗忘的同时实现对新运动条件的累积学习，我们采用基于回放的持续学习，使模型能够在先前遇到的各种运动条件下保持性能。我们通过在公开的 RGBDGaze 数据集和我们自己的 10 小时多模态 MotionGaze 数据集（481K+ 图像，800K+ IMU 读数）上进行的大量实验来评估我们的系统，这些数据涵盖了包括坐、站、躺和走在内的各种运动条件下的广泛姿势。结果表明，与传统校准方法相比，我们的方法将 RGBDGaze 上的视线估计误差降低了 19.9%（从 1.73 cm 降至 1.41 cm），将 MotionGaze 上的误差降低了 31.7%（从 2.81 cm 降至 1.92 cm）。我们的框架为在移动场景中保持视线估计准确性提供了一个稳健的解决方案。