针对当前主流增强现实显示设备中的光学组合器存在的光效低,或系统复杂,或不便携带等问题,提出了直投式视网膜投影增强现实近眼显示光学系统的设计方案。光学系统自像面至物面之间依次包括视网膜投影透镜、平行光像源和补偿透镜组三个...针对当前主流增强现实显示设备中的光学组合器存在的光效低,或系统复杂,或不便携带等问题,提出了直投式视网膜投影增强现实近眼显示光学系统的设计方案。光学系统自像面至物面之间依次包括视网膜投影透镜、平行光像源和补偿透镜组三个部分。在仿真过程中,使用玻璃平板替代平行光像源,视网膜投影透镜选择双胶合透镜作为初始结构进行仿真和优化,在设计和仿真补偿透镜组时引入偶次非球面进行设计,同时仿真过程中使用人眼模型进行辅助优化,以模拟实际应用情况。最后,光学系统中的平行光像源使用激光光源及相关光学器件,并使用几何透镜搭建了该光学系统的实物样机以验证系统的显示效果。经过仿真和优化,所设计的光学系统工作在486~656 nm波段,对平行的像源光线进行成像时,点列图均方根(Root Mean Square,RMS)半径为9.59μm,在截止频率处的调制传递函数(Modulation Transfer Function,MTF)大于0.8;加入补偿透镜组后,整个系统对环境光成像时,在0°、3.75°和7.5°的三个半视场的点列图RMS半径分别为3.28μm、4.44μm和5.36μm,且全视场在截止频率处的MTF大于0.6,所设计的光学系统对显示像源和环境光的功率衰减分别在10%以下及30%以下。该系统可实现视网膜投影成像同时对环境光进行补偿,所搭建的样机可实现增强现实显示效果,系统有好的成像质量、高光效和结构简单等优点。展开更多
由于网络环境的多变性,视频播放过程中容易出现卡顿、比特率波动等情况,严重影响了终端用户的体验质量.为优化网络资源分配并提升用户观看体验,准确评估视频质量至关重要.现有的视频质量评价方法主要针对短视频,普遍关注人眼视觉感知特...由于网络环境的多变性,视频播放过程中容易出现卡顿、比特率波动等情况,严重影响了终端用户的体验质量.为优化网络资源分配并提升用户观看体验,准确评估视频质量至关重要.现有的视频质量评价方法主要针对短视频,普遍关注人眼视觉感知特性,较少考虑人类记忆特性对视觉信息的存储和表达能力,以及视觉感知和记忆特性之间的相互作用.而用户观看长视频的时候,其质量评价需要动态评价,除了考虑感知要素外,还要引入记忆要素.为了更好地衡量长视频的质量评价,本文引入深度网络模型,深入探讨了视频感知和记忆特性对用户观看体验的影响,并基于两者特性提出长视频的动态质量评价模型.首先,本文设计主观实验,探究在不同视频播放模式下,视觉感知特性和人类记忆特性对用户体验质量的影响,构建了基于用户感知和记忆的视频质量数据库(Video Quality Database with Perception And Memory,PAM-VQD);其次,基于PAM-VQD数据库,采用深度学习的方法,结合视觉注意力机制,提取视频的深层感知特征,以精准评估感知对用户体验质量的影响;最后,将前端网络输出的感知质量分数、播放状态以及自卡顿间隔作为三个特征输入长短期记忆网络,以建立视觉感知和记忆特性之间的时间依赖关系.实验结果表明,所提出的质量评估模型在不同视频播放模式下均能准确预测用户体验质量,且泛化性能良好.展开更多
文摘针对当前主流增强现实显示设备中的光学组合器存在的光效低,或系统复杂,或不便携带等问题,提出了直投式视网膜投影增强现实近眼显示光学系统的设计方案。光学系统自像面至物面之间依次包括视网膜投影透镜、平行光像源和补偿透镜组三个部分。在仿真过程中,使用玻璃平板替代平行光像源,视网膜投影透镜选择双胶合透镜作为初始结构进行仿真和优化,在设计和仿真补偿透镜组时引入偶次非球面进行设计,同时仿真过程中使用人眼模型进行辅助优化,以模拟实际应用情况。最后,光学系统中的平行光像源使用激光光源及相关光学器件,并使用几何透镜搭建了该光学系统的实物样机以验证系统的显示效果。经过仿真和优化,所设计的光学系统工作在486~656 nm波段,对平行的像源光线进行成像时,点列图均方根(Root Mean Square,RMS)半径为9.59μm,在截止频率处的调制传递函数(Modulation Transfer Function,MTF)大于0.8;加入补偿透镜组后,整个系统对环境光成像时,在0°、3.75°和7.5°的三个半视场的点列图RMS半径分别为3.28μm、4.44μm和5.36μm,且全视场在截止频率处的MTF大于0.6,所设计的光学系统对显示像源和环境光的功率衰减分别在10%以下及30%以下。该系统可实现视网膜投影成像同时对环境光进行补偿,所搭建的样机可实现增强现实显示效果,系统有好的成像质量、高光效和结构简单等优点。
文摘由于网络环境的多变性,视频播放过程中容易出现卡顿、比特率波动等情况,严重影响了终端用户的体验质量.为优化网络资源分配并提升用户观看体验,准确评估视频质量至关重要.现有的视频质量评价方法主要针对短视频,普遍关注人眼视觉感知特性,较少考虑人类记忆特性对视觉信息的存储和表达能力,以及视觉感知和记忆特性之间的相互作用.而用户观看长视频的时候,其质量评价需要动态评价,除了考虑感知要素外,还要引入记忆要素.为了更好地衡量长视频的质量评价,本文引入深度网络模型,深入探讨了视频感知和记忆特性对用户观看体验的影响,并基于两者特性提出长视频的动态质量评价模型.首先,本文设计主观实验,探究在不同视频播放模式下,视觉感知特性和人类记忆特性对用户体验质量的影响,构建了基于用户感知和记忆的视频质量数据库(Video Quality Database with Perception And Memory,PAM-VQD);其次,基于PAM-VQD数据库,采用深度学习的方法,结合视觉注意力机制,提取视频的深层感知特征,以精准评估感知对用户体验质量的影响;最后,将前端网络输出的感知质量分数、播放状态以及自卡顿间隔作为三个特征输入长短期记忆网络,以建立视觉感知和记忆特性之间的时间依赖关系.实验结果表明,所提出的质量评估模型在不同视频播放模式下均能准确预测用户体验质量,且泛化性能良好.
