ترجمه فارسی مقاله تخمین عمق کانونی: رویکردی مستقل از کالیبراسیون، مستقل از سوژه و در طول روز

چکیده

In an era where personalized technology is increasingly intertwined with daily life, traditional eye-tracking systems and autofocal glasses face a significant challenge: the need for frequent, user-specific calibration, which impedes their practicality. This study introduces a groundbreaking calibration-free method for estimating focal depth, leveraging machine learning techniques to analyze eye movement features within short sequences. Our approach, distinguished by its innovative use of LSTM networks and domain-specific feature engineering, achieves a mean absolute error (MAE) of less than 10 cm, setting a new focal depth estimation accuracy standard. This advancement promises to enhance the usability of autofocal glasses and pave the way for their seamless integration into extended reality environments, marking a significant leap forward in personalized visual technology.

چکیده به فارسی (ترجمه ماشینی)

در عصری که فناوری شخصی به طور فزاینده ای با زندگی روزمره در هم تنیده است ، سیستم های سنتی ردیابی چشم و عینک اتوفاک با یک چالش مهم روبرو هستند: نیاز به کالیبراسیون مکرر و خاص کاربر ، که مانع عملی آنها می شود.این مطالعه یک روش بدون کالیبراسیون پیشگامانه برای برآورد عمق کانونی ، استفاده از تکنیک های یادگیری ماشین را برای تجزیه و تحلیل ویژگی های حرکت چشم در توالی های کوتاه ارائه می دهد.رویکرد ما ، که با استفاده نوآورانه از شبکه های LSTM و مهندسی ویژگی خاص دامنه متمایز است ، به یک خطای مطلق (MAE) کمتر از 10 سانتی متر دست می یابد و یک استاندارد دقت تخمین عمق کانونی جدید را تعیین می کند.این پیشرفت نوید می دهد تا قابلیت استفاده از عینک های خودکار را تقویت کرده و راه را برای ادغام بی نظیر آنها در محیط های واقعیت گسترده هموار کند و یک جهش قابل توجه را در فناوری بصری شخصی نشان می دهد.