針對特定對象注視合成之生成模型比較：擴散模型與 GANs
arXiv - Human-Computer InteractionKamrul Hasan, Dmytro Katrychuk, Mehedi Hasan Raju, Oleg V. Komogortsev
研究比較了擴散模型與 GANs 在合成具備個人特徵之注視數據的表現，發現擴散模型更具真實性與身份保留能力。
AI 幫你先抓重點
AI 重點 1
從「通用生成」轉向「個體特徵感知」的生成範式轉變。
滑鼠懸停看 AI 判斷理由
過去的生成模型多依賴隨機雜訊或全局特徵，無法捕捉個體的獨特性；此研究強調了「主體感知（subject-aware）」的重要性，這對於需要高度精準度的生物識別與行為分析至關重要。
AI 重點 2
擴散模型在模擬複雜生物特徵數據上的優勢。
滑鼠懸停看 AI 判斷理由
這項發現指出了擴散模型在處理具有高度特異性與時間序列特性的生理訊號時，比傳統 GANs 更具穩定性，為未來開發高擬真數位孿生（Digital Twin）提供了技術路徑。
核心研究發現
- 1
研究針對擴散模型加入緊湊用戶嵌入（user embeddings），並為 GANs 引入特定對象條件模組，以解決現有模型缺乏個人特徵建模的問題。
- 2
實驗結果顯示，擴散模型（Diffusion-based）生成的注視序列在真實度與身份保留能力上，均優於 GANs 模型。
- 3
透過空間準確度與精確度等眼動訊號品質指標進行評估，證實了生成模型在生物識別應用中的潛力。
對教育工作者的啟發
雖然此研究偏向底層技術，但對於開發「學習分析（Learning Analytics）」工具的設計者具有啟發：未來若能利用高品質的合成注視數據，可以解決學習者生理數據收集困難（隱私或樣本不足）的問題。教育科技開發者可利用此技術模擬不同學習者的注意力模式，進而設計出更具適應性的數位學習環境，例如自動偵測學習者的分心狀態或認知負荷。
原始文獻資訊
- 英文標題：
- Quantitative and Qualitative Comparison of Generative Models for Subject-Specific Gaze Synthesis: Diffusion vs GANs
- 作者：
- Kamrul Hasan, Dmytro Katrychuk, Mehedi Hasan Raju, Oleg V. Komogortsev
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。