真实的眼睛更快实现：以注视稳定性和瞳孔新颖性实现高效的环视学习

始终开启的环视相机日益增多地用作具身机器人、仿真学习和辅助 AR 的演示，但所得视频流被冗余和低质量帧所主导。在可穿戴设备的存储和电池限制下，选择保留哪些帧与如何从中学习同样重要。我们观察到，现代眼动头戴设备提供一种无需训练的连续侧信道，可分为两个互补轴：注视固定捕捉视觉稳定性（质量），而瞳孔反应捕捉与唤��相关的时刻（新颖性）。我们将这一洞见具体化为双准则帧策展者，首先通过注视质量对帧进行门控，然后按瞳孔派生的新颖性对存活者进行排序。在 Visual Experience Dataset (VEDB) 上，处置 10% 预算下的帧与完整数据流的分类性能相当，而朴素的信号融合则持续破坏两者的贡献。该益处取决于任务：瞳孔排序改善活动识别，而仅依据注视的选择已占据场景识别的主导地位，确认这两类信号在本质上服从不同角色。该方法无需模型推理，能在捕获时运行，为实现高效、始终开启的环视数据策展提供了一条路径。