Google发布MediaPipe Iris，这是一个利用眼睛角膜来测量深度的机器学习新模型，可精确测量相机到人物距离。而MediaPipe则是一个跨平台人工智能工作管线框架，让开发人员简单地构建机器学习解决方案，可以在手机、台式机、笔记本或是网页上执行。
不少人脸识别相关应用，都需要依赖关注角膜来估计眼睛的位置，像是计算人脸虚拟眼镜和帽子的大小，或是根据用户和设备的距离，调整设备字体大小，以强化设备的可用性，Google提到，只要能准确地关注角膜，就可以在不需要深度传感器的情况下，测得相机距离人物的距离。
不过要在移动设备上关注角膜，并非一件简单的事，因为设备有限的计算资源，再加上变动的光照条件和屏蔽物，通常需要使用复杂的专用硬件，才能克服这些限制。而Google现在推出的MediaPipe Iris，是以MediaPipe上的Face Mesh为基础创建的模型，能够使用单个RGB摄影机，即时关注角膜、瞳孔和眼睛轮廓，在不使用专用深度传感器，可使深度测量的相对误差小于10%。
角膜关注的机器学习工作管线第一步，是以Face Mesh生成高逼真度的人脸几何网格，再从网格分离出眼睛区域，将其应用在角膜关注模型中。接下来的工作分为两部分，分别是眼睛轮廓评估以及角膜定位，研究人员人工标注了5万笔眼睛区域训练资料，以呈现眼睛在各种光照情况和头部姿势，可能出现的各种可能性。
接下来，MediaPipe Iris则要利用角膜算出深度，研究人员提到，人眼角膜直经约是11.7±0.5 mm，而相机与人物的距离，可利用焦距和脸部特征估得，只要从图片的EXIF元资料，或是相机的参数取得相机焦距，由于焦距和眼睛角膜成像的大小，与相机到人物距离和角膜实际大小成比例，如此便可计算出相机到人物的距离。
为了确认这个方法的准确度，研究人员找来200位参与者，利用MediaPipe Iris以及iPhone 11上的深度传感器进行比较，并使用激光测距仪验证，在2米内，iPhone 11深度传感器误差小于2%，而MediaPipe Iris平均相对误差为4.3%，标准差为2.4%。
不过，当受试者有戴眼镜，则相对误差会略提高到4.8%，研究人员提到，由于MediaPipe Iris不需要专门的硬件，因此这样的结果显示，该方法已经可以在广泛甚至低成本的设备上，使用单张图像测量深度，而限制则是无法用于判断人们观看的位置，以及任何形式的身份识别。
Google即将在MediaPipe工作管线上发布MediaPipe Iris模型，该模型可在台式机、移动设备和网页上运行，研究人员提到，他们利用WebAssembly和XNNPACK，在浏览器上执行Iris机器学习工作管线，不会将任何资料送到云计算上运算。