AI学会了用“人眼”看世界，甚至连人类瞳孔的细微缩放都能模拟

为了搞清楚人类是怎么看世界的，计算机开始学着“转动眼球”了：

然后凭借转动的眼球“搜集要观测的信息”，再聚焦在文字或者图像上，开始“收集数据”：

不仅能正常读书看画，甚至能模拟人类在无聊、兴奋、紧张等各种不同情绪下的瞳孔放缩、眨眼频率的细微变化。

事实上，这是杜克大学的研究人员最新开发的一种“虚拟眼睛”，可以精确模拟人类观测世界的方式。

这项研究目前已经开源，并即将发表于通信类顶会IPSN 2022上。

通过这项研究得到的几近真实的数据，将全部反哺给计算机。

这些数据有什么用？

这种基于眼球追踪（Eye Tracking）技术得到的数据常常被称为眼动数据，包括注视时长、眼跳、追随运动等多个属性。

就如我们常常将眼睛成为心灵之窗一样，这些眼动数据能反映不少人类的真实信息。

比如，瞳孔的扩张、眼跳、游移次数可以表现当前主人的情绪（无聊或兴奋）、注意力是否集中、对某项任务是新手或娴熟、甚至是对某种特定语言的精通与否。

这项研究的作者之一Maria Gorlatova甚至表示：

（眼动数据）可能无意中暴露出性别和种族偏见、我们不想让别人知道的兴趣，甚至我们自己都不了解的信息。

因此，对这些眼动数据的学习和研究，自然也就能产生一系列传感应用：包括认知负荷估计、久坐活动识别、阅读理解分析和情感识别。

很多企业和开发者，比如微软的VIVE Pro Eye，已经开始采用眼球追踪来实现基于目光的新的交互和环境感知。

然而，在收集大规模的、有标签的眼动数据时，难免会碰到几个问题：

• 人类视觉行为的随机性增加了数据收集的成本

• 与人类受试者合作过程中可能涉及隐私侵犯问题

• 生产模型训练所需的数据的时间成本过高（可能需要数以百计的人带着设备不间断地用眼数小时才能产生）

  
  

虚拟眼睛收集数据

如何解决上面的问题呢？杜克大学的研究团队提出了一套受心理学启发的模型EyeSyn。

这一模型只利用公开的图像和视频，就能合成任意规模大小的眼动数据集。

它的整体架构如下：

整体思路是以图像和视频作为输入，并将其作为视觉刺激，以生成相应的眼动数据。

大的架构又由三个小模型组成：

ReadGaze模型

模拟文本阅读中的视觉行为。

拥有一个基于文本识别的检测模块、一个模拟跳读视觉行为的模拟器。

VerbalGaze模型

模拟在口头交流中固定在面部某个区域、以及在面部不同区域之间切换注意力的视觉行为。

拥有一个面部区域跟踪模块、一个基于马尔可夫链的注意力模型（Markov Chain-based Attention Model）。

StaticScene和DynamicScene模型

模拟感知静态和动态场景过程中的眼球运动。

拥有一个基于图像特征的显著性检测（Saliency Detection）模型，用以识别视觉场景中潜在的定点位置。

△动态场景中的眼动数据

基于这些构成，EyeSyn不需要基于已有的眼动数据进行训练，上岗就能直接开始工作。

并且，与传统眼动数据的收集过程相比，EyeSyn在模拟不同的眼动跟踪设置、视觉距离、视觉刺激的渲染尺寸、采样频率和受试者多样性上，也更加方便快速。

现在，只基于一小部分图像和视频，EyeSyn就可以合成超过180小时的眼动数据，比现有的基于目光的活动数据集大18到45倍：

研究人员Maria Gorlatova表示， “合成数据本身并不完美，但这是一个很好的起点。”

小公司不用再花费过多的时间和金钱与人类受试者合作，建立真实活动数据集，而是可以直接使用这种方法。

这种更加快速的眼动数据的生产方式，将使得普通的VR、AR、还有元宇宙平台中的相关应用程序的制作都更加便捷。

论文：
https://www.researchgate.net/publication/359050928_EyeSyn_Psychology-inspired_Eye_Movement_Synthesis_for_Gaze-based_Activity_Recognition

开源链接：
https://github.com/EyeSyn/EyeSynResource