免校准眼动方案精度通常低于逐用户校准方案
别名: 免校准 · 外观注视估计 · appearance-based gaze
概念解释
免校准方案不要求用户先看一组已知点。它们用群体上训练的外观模型、解剖平均眼球、或运行中对“人大概在看屏幕”的弱约束，直接输出注视估计。省掉校准步骤换来的是：个体 kappa 角、角膜曲率、眼镜屈光没有被吸进专属系数，空间误差通常大于同硬件上的逐人校准。适合“看没看这块区域”的粗粒度，不适合把光标钉在小按钮上。
机制
外观模型在大量人脸和注视方向上回归，学到的是人群的条件期望。落在训练分布里的人（常见肤色、眼型、照明）会接近该期望；戴不常见的镜框、明显的内斜、妆容遮住眼睑褶皱，就会偏离。解剖模型用平均眼球半径和平均 kappa，对个体是有偏的。运行中适应（用点击位置当弱标签）能把偏差拉回一些，但那已经是在做隐式校准，只是没叫用户看点。
逐人校准用十几秒换一组属于这个人的系数；免校准把这十几秒摊成整个会话里更大的误差。产品宣传里的“开箱即用”指的是流程，不是角误差。
怎么研究
在同一相机和同一批人上对照：9 点校准后的误差、完全免校准的误差、以及允许点击适应若干次后的误差。 按眼镜、种族/眼睑形态、照明分层，因为免校准的失败不是均匀的。 外观模型的论文常用平均角误差，但产品要看尾部：最差 10% 用户的误差决定小目标能不能用。还要报校准会话的放弃率——免校准的优势有时不在平均误差，而在“不会有人卡在校准屏上”。
边界
大目标、存在检测、注视引导渲染的大岛，免校准常常够用，因为误差被目标尺寸吸收。辅助眼控打字、像素级标注、小图标点击，逐人校准仍然更合适。儿童和认知障碍使用者可能完成不了看点任务，免校准是唯一能开机的路径，即使误差更大。模型若在部署环境没见过的照明或种族上崩掉，免校准会比一次糟糕的校准还差。有些“免校准”头显其实在出厂时对这台设备做了相机外参标定，免的是用户点，不是一切标定。
怎么落地
- 按目标尺寸选方案：区域级用免校准，控件级提供一次短校准并记住这份系数。
- 不要把开箱即用写成“和校准过一样准”；在设置里如实显示当前估计的误差量级。
- 验证：在未参加训练的人群上（含眼镜和不同眼型）同时报中位误差和最差 10%，确认免校准只被用在其尾部仍能命中的目标上。