SynSacc-Dataset

SynSacc是由都柏林城市大学和高威大学联合开发的合成眼动数据集，通过Blender 3D建模和V2E事件模拟器生成，旨在解决事件相机领域标注数据稀缺的问题。该数据集包含模拟的扫视和注视运动事件流，采用346×260分辨率DVS传感器参数生成，包含噪声注入以增强真实性。其生成流程包括3D眼球运动建模、时序上采样和基于对数强度变化的脉冲转换，主要应用于脉冲神经网络训练，推动无侵入式眼动分类研究。

SynSacc is a synthetic eye movement dataset jointly developed by Dublin City University and University of Galway. It was generated via Blender 3D modeling and the V2E event simulator, aiming to address the scarcity of annotated data in the event camera domain. The dataset contains simulated saccadic and fixational eye movement event streams, generated using the parameter settings of a 346×260 resolution DVS sensor, and incorporates noise injection to enhance realism. Its generation pipeline includes 3D eye movement modeling, temporal upsampling, and pulse conversion based on logarithmic intensity changes. It is primarily used for spiking neural network training, advancing research on non-invasive eye movement classification.

搜集汇总

数据集介绍

构建方式

在眼动追踪研究领域，高精度标注数据的稀缺性制约了事件相机技术的深入应用。SynSacc-Dataset通过构建一条从三维建模到事件流生成的完整合成管线来应对这一挑战。该数据集首先在Blender环境中创建精细的眼球三维模型，通过程序化控制眼球骨骼的旋转来模拟真实的扫视与注视运动序列，生成高帧率的RGB视频。随后，利用V2E事件模拟器将视频帧转换为异步事件流，通过时间上采样增强动态细节，并引入传感器噪声参数以逼近真实事件相机的输出特性。这一流程确保了合成数据在时空维度上的生物合理性，为模型训练提供了可控且可扩展的标注源。

特点

SynSacc-Dataset的核心特征在于其高度可控的合成生成机制与对事件相机数据特性的精准模拟。数据集提供了从扫视到注视的精细时间标注，每个运动片段的起始与持续时间均被精确记录，弥补了现有真实事件数据集中细粒度标注的缺失。其事件流模拟了真实DVS传感器的噪声特性与稀疏异步特性，确保了数据模式的物理真实性。此外，数据集通过参数化生成不同时长与强度的眼动序列，支持对算法时间分辨率鲁棒性的系统评估。这种合成数据与真实事件数据在表征上的一致性，为从仿真到现实的模型迁移学习奠定了可靠基础。

使用方法

该数据集主要应用于事件相机驱动的眼动分类模型的训练与评估，尤其适合于脉冲神经网络架构的开发。研究人员可将合成事件流转换为二进制脉冲序列，作为SNN的直接输入，利用其稀疏性与时间精确性进行模型训练。数据集支持在不同时间窗口下进行切片分析，以探究模型对时间分辨率的敏感性。典型的应用流程包括：首先在SynSacc-Dataset上进行模型预训练，然后使用少量真实事件数据（如EV-Eye数据集）进行微调，以验证模型在真实场景下的泛化能力。这种使用方式有效缓解了事件相机领域标注数据不足的瓶颈，并促进了高效、低功耗的神经形态计算模型在实时眼动分析中的部署。

背景与挑战

背景概述

眼动研究作为理解人类认知与感知机制的核心领域，其关键在于对注视与扫视等快速动态行为的精确分类。传统基于帧的摄像头因运动模糊和有限时间分辨率难以捕捉微秒级眼动细节，而事件相机凭借其异步感知特性，为高精度眼动分析提供了新的技术路径。SynSacc数据集由都柏林城市大学与戈尔韦大学的研究团队于2026年创建，旨在通过Blender三维建模与V2E事件模拟技术，生成受控条件下的合成眼动事件流。该数据集的核心研究问题是解决事件相机领域标注数据的稀缺性，为基于脉冲神经网络的精细眼动分类模型提供训练基础，推动事件视觉在认知计算与人机交互等领域的应用发展。

当前挑战

在领域问题层面，事件相机眼动分析面临两大挑战：一是现有数据集缺乏高时间分辨率的注视与扫视精细标注，难以支持模型对快速动态模式的判别；二是真实事件数据采集成本高昂且受隐私法规限制，导致训练样本不足。在构建过程中，SynSacc数据集需克服合成数据与真实传感数据间的领域差异，包括通过参数化噪声模型模拟事件相机的光电特性，以及设计时序对齐机制确保双目运动的生物合理性。此外，脉冲神经网络对事件流的稀疏编码与时间整合策略，亦对数据表示的时空一致性提出了严格要求。

常用场景

经典使用场景

在眼动追踪与神经形态视觉交叉领域，SynSacc数据集为精细眼动分类研究提供了关键基准。该数据集通过Blender三维渲染与V2E事件模拟器生成的合成事件流，精确模拟了人类视觉系统中扫视与注视的动态过程。其最经典的应用场景在于为脉冲神经网络（SNN）提供训练与验证平台，研究者利用其高时间分辨率的事件序列，开发能够实时区分扫视与注视的轻量化分类模型。数据集的结构化标注与可控生成条件，使得算法能够在消除运动模糊的异步事件数据上，探索眼动模式的时空表征。

解决学术问题

SynSacc数据集有效缓解了事件相机眼动研究领域的数据稀缺困境。传统基于帧的摄像头受限于运动模糊与冗余数据，难以捕捉毫秒级眼动细节；而真实事件数据的采集又面临成本高昂与标注困难。该数据集通过合成数据生成与迁移学习框架，为脉冲神经网络提供了充足的预训练样本，解决了模型在真实事件流上泛化能力不足的问题。其贡献在于建立了从合成到真实的可迁移学习范式，推动了事件驱动眼动分析从粗粒度注视估计向细粒度扫视/注视分类的范式转变。

衍生相关工作

SynSacc数据集催生了一系列围绕事件相机眼动分析的创新研究。在其基础上，学者们发展了如Retina这样的轻量化脉冲回归模型，实现了毫秒级延迟的眼球追踪；GazeSCRNN等混合架构则进一步优化了时空特征提取，提升了近眼注视估计精度。数据集提供的合成到真实迁移范式，也启发了更多工作探索跨域适应方法，例如通过领域对抗训练减少模拟与真实事件流之间的分布差异。这些衍生研究共同推动了事件驱动眼动分析从算法探索走向实际系统集成。