使用位置和速度表征的扩散模型生成眼动轨迹

眼动追踪数据采集成本高昂，需要专用硬件和受控的实验室条件，并且由于隐私法规而难以共享，这些因素共同限制了可用于研究的注视数据的数量与多样性。我们研究使用扩散模型在位置表示和分量速度表示下进行无条件注视生成。模型在来自28名参与者的八秒视觉搜索轨迹上进行训练和评估，采用23名训练参与者和5名留出验证参与者的划分，并使用三个训练随机种子。评估包括运动学分布、轨迹几何、事件统计，以及带梯度惩罚的时间Wasserstein GAN作为学习到的比较器。在八个由位置导出的特征上，位置模型的平均Jensen-Shannon散度为 $0.016 \pm 0.004$，速度模型为 $0.037 \pm 0.002$，标准差在训练随机种子上计算。这些分数并不能确立表示选择导致了该差异。使用相同评估方法的单独比较显示，模型的排序在不同训练随机种子间存在变化。位置模型产生的特征差异也小于运动学马尔可夫基线。真实数据与生成数据之间扫视计数的差异强烈依赖于用于检测事件的速度阈值。这些结果为该视觉搜索任务上的无条件注视生成提供了定量参考测量，并展示了评估选择如何影响关于生成注视的结论。

中文由 AI 翻译，仅供参考，以原文为准。