[논문 리뷰] The Eye-Head Mover Spectrum: Modelling Individual and Population Head Movement Tendencies in Virtual Reality

Jinghui Hu, Ludwig Sidenmark외 2명|arXiv (Cornell University)|2026. 02. 05.

Gaze Tracking and Assistive Technology인용 수 0

한 줄 요약

논문은 VR에서 시선-헤드 기여를 모델링하기 위한 연속적인 eye-head mover spectrum를 도입하고, 인구집단 수준의 차이를 보여주며, 다중 작업에서 부드러운 hinge 모델의 타당성을 검증합니다.

ABSTRACT

People differ in how much they move their head versus their eyes when shifting gaze, yet such tendencies remain largely unexplored in HCI. We introduce head movement tendencies as a fundamental dimension of individual difference in VR and provide a quantitative account of their population-level distribution. Using a 360° video free-viewing dataset (N=87), we model head contributions to gaze shifts with a hinge-based parametric function, revealing a spectrum of strategies from eye-movers to head-movers. We then conduct a user study (N=28) combining 360° video viewing with a short controlled task using gaze targets. While parameter values differ across tasks, individuals show partial alignment in their relative positions within the population, indicating that tendencies are meaningful but shaped by context. Our findings establish head movement tendencies as an important concept for VR and highlight implications for adaptive systems such as foveated rendering, viewport alignment, and multi-user experience design.

연구 동기 및 목표

• VR에서 시선 이동에 대한 개인 간의 헤드 기여 차이를 특징지는다.
• 헤드 움직임 경향에 대한 연속적이고 해석 가능한 개인별 프로필을 제공한다.
• 큰 오픈 데이터셋을 사용하여 헤드 움직임 전략의 인구수준 분포를 정량화한다.
• 자유 시청과 제어된 작업 간의 헤드 기여 경향의 교차-작업 안정성을 평가한다.

제안 방법

• 대형 360° 자유 시청 VR 데이터셋(N=87; 후에 단일 렌즈로 N=80으로 필터링)과 헤드 및 시선 추적을 분석한다.
• 목표 편향도( eccentricity )를 [0, 50] 도의 함수로 하여 수평 방향 헤드 기여를 정의한다.
• 개인별 데이터에 선형 기저, 힌지, 부드러운 힌지의 세 가지 매개변수 모델을 피팅하고 R^2, RMSE, AIC를 사용하여 비교한다.
• 적합도와 해석가능성에 근거해 per-participant 프로필의 선호 모델로 부드러운 힌지 모델을 선택한다.
• 참가자 프로필에서 인구 분포를 얻기 위해 기능적 PCA를 적용한다.

Figure 1. Example fits of three model formulations to one participant (P05). Each plot shows horizontal head contribution ( $\Delta$ Head) against target eccentricity, with grey dots as data points. (a) Linear + EOR baseline assumes a fixed eye-only range followed by a linear increase. (b) Hinge mod

실험 결과

연구 질문

• RQ1 RQ1: 개인 간에 시선 이동에 대한 헤드 기여가 어떻게 달라지는가?
• RQ2 RQ2: 인구에서 서로 다른 헤드 움직임 경향은 얼마나 널리 퍼져 있는가?
• RQ3 RQ3: 개인의 헤드 기여 경향은 작업 간에 일관된가?

주요 결과

• 시선 이동에 대한 헤드 기여는 목표 편향도와 함께 증가하며, 눈 중심에서 머리 중심으로의 스펙트럼을 형성한다.
• 부드러운 힌지 모델이 더 많은 분산을 설명하고 힌지 및 선형 모델보다 더 낮은 RMSE를 달성하여 각 참가자에 대한 선호 피팅으로 선택된다.
• 집단은 이산적인 헤드 무버/비헤드 무버가 아닌 연속적인 헤드 움직임 경향의 분포를 보인다.
• 경향은 작업 간 부분적으로 정렬되어 있어 맥락이 좌우되나 내재적 협응을 완전히 대체하지는 않는다.
• 참가자 간에 헤드 움직임 패턴은 좌우 대칭이 강하게 나타나 데이터 반영을 지지한다.
• 이 접근법은 피드백 가능하고 해석 가능한 per-user 프로필(beta, tau, s)를 제공하여 foveated 렌더링 및 뷰포트 정렬과 같은 VR 시스템 적응에 정보를 제공한다.

Figure 2. Comparison of model fits for gaze shift data. Boxplots show the distribution of R² (left) and RMSE (right) across participants for three models: Linear baseline, two-parameter hinge, and three-parameter soft hinge. Boxes represent the interquartile range (IQR) with medians; black dots indi