用于眼动注视预测的高斯表示学习

基于摘要分析。该研究面向从输入图像预测人类眼动注视分布的问题，提出 Gaussian Representation，以 Gaussian Mixture Model 表示注视图，替代直接学习由原始注视点生成的稠密注视图。其核心贡献是改变预测目标的表示形式，并结合轻量级骨干网络支持实时注视预测。 机制上，作者认为人类注视具有随机性，因此由有限注视点生成的稠密图未必是理想监督表示；方法使用多个高斯分布分量描述注视分布，旨在提高对这种随机性的稳健性。摘要未说明混合分量数量、参数预测方式、训练损失，以及从原始注视点或稠密图构建监督的具体流程，这些内容尚未验证。 作者报告在 SALICON、MIT1003、TORONTO 三个公开注视预测数据集上的实验显示方法快速且有效，但摘要未提供具体指标、数据划分、对照方法、推理硬件或延迟，不能据此量化精度与速度收益，也不能确认实时性的适用条件。实验协议、消融及统计信息尚未验证。 该工作的直接研究对象是图像条件下的视觉注视预测，不是 EEG 解码或 BCI 控制。其概率分布表示是否适用于神经信号任务尚无材料支持；已有 EEG 相关工作尚未检索确认。复现时需优先核对高斯混合表示的监督构造、与稠密图预测基线的比较条件，以及轻量骨干下的速度与精度权衡。