该论文研究混合现实头显（如 Apple Vision Pro）新型交互方式带来的隐私风险。这类设备用「注视即指针」取代触摸屏：用户注视目标、再以空中捏合确认。由于显示屏位于头显内部、眼动追踪数据也被封闭在系统内不对第三方软件开放，业界普遍认为这种输入方式对旁观者不可观测，从而天然抵御了困扰手机与笔记本的肩窥（shoulder-surfing）问题。作者提出 GAZEleak，一种侧信道攻击，证明该假设不成立：攻击者只需站在房间另一端用普通摄像机拍摄佩戴者，无需在设备上安装任何软件，威胁模型被严格限定为本地物理观察者。其技术依据是眼—头运动程序的中央耦合特性：每一次注视转移都会伴随幅度很小、且与目标位置相关的头部重定向，这些重定向会投影成亚度级的头部姿态变化，可被消费级视频恢复出来。GAZEleak 据此实现了一套基于测量标定、使用稀疏光流的推理流水线，用于推断用户 6 位设备口令。评估基于三位知情作者受试者的正面视角初步数据集：在跨人协议、完全不含受害者标注数据的条件下，18 个测试口令中有 10 个（56%）的真值进入前十候选，暴露度最高的受试者的全部口令均进入前十。性能高度依赖个体差异：暴露度最低的受试者没有任何口令进入前十，但其猜测中位排名为 12786，仍远优于无信息排序下 500000 的期望值。作者结论是，该结果只是在受控条件下提供了「注视耦合头动可泄露口令信息」的初步证据，仍需跨更多用户、行为和拍摄设置开展更广泛评估。

这篇论文研究的是自动取款机（ATM）场景下用户用手遮挡输入PIN码时的安全漏洞。尽管用户普遍认为用另一只手遮挡打字的手能够抵御肩窥式攻击（如通过隐藏摄像头偷拍密码键盘），但论文指出这一防范措施的效果缺乏科学验证。作者提出了一种新型攻击方法：攻击者首先获取与目标ATM同品牌同型号的PIN键盘设备，然后利用深度学习架构，通过分析受害者遮挡手型时的位置和移动特征来推断其输入的PIN码。研究共招募了58名用户进行实验，结果显示该方法在3次尝试内（通常ATM允许的尝试次数）能够成功猜中30%的5位PIN码。作为对比，作者还对78名用户进行人工肉眼观察调查，发现人类在相同设置下的平均准确率仅为7.92%，远低于所提攻击的准确率。此外，论文还评估了一种屏蔽键盘的防御措施，结果发现除非将整个键盘完全屏蔽，否则该措施并不能有效防止此类攻击。这项研究揭示了现有遮挡行为在保护PIN方面的局限性，对ATM安全设计以及用户习惯提出了警示，同时也为开发更安全的身份认证方案提供了数据支撑。

Eye-Shield 是一种针对移动设备屏幕信息的实时保护方案，旨在防御肩窥攻击。肩窥攻击是指攻击者通过偷窥用户屏幕获取密码、PIN码、浏览行为等敏感信息，而用户在公共场所使用手机时极易遭受此类攻击。Eye-Shield 利用人眼视觉特性，生成在近距离（如30cm内）清晰可见、但在远距离或大角度下变得模糊或像素化的图像，从而防止旁人在不打扰用户正常交互的情况下窥视屏幕内容。该方案可同时保护图像和文本信息，实验表明能将肩窥者的识别率分别降低至24.24%（图像）和15.91%（文本）。Eye-Shield 在Android和iOS平台分别实现了24 FPS和43 FPS的帧率，支持最高1440x3088分辨率，且内存、CPU和能耗开销可接受。研究人员通过Amazon Mechanical Turk和实地用户研究验证了其防护效果和可用性，表明Eye-Shield在不显著影响隐私意识用户使用体验的前提下有效保护屏幕信息。