La realidad divertida (AR) se ha convertido en un tema candente en las industrias de entretenimiento, moda y maquillaje. Aunque hay algunas tecnologías diferentes en estos sectores, el mapeo dinámico de proyección facial (DFPM) es extremadamente sofisticada y visible. PUTE PUT, DFPM consiste en presentar imágenes dinámicas en la cara de una persona, y usar el seguimiento facial avanzado para asegurarse, las predicciones sin interrupción se encontraron de acuerdo con el movimiento y la impresión.
Aunque la imaginación idealmente debería ser lo único que es posible con DFPM en el AR, este enfoque está detrás de los desafíos técnicos. Visitar en la cara en movimiento muestra que el sistema DFPM puede detectar las características faciales del usuario, como ojos, nariz y boca, que es menos de un millón. Incluso el procesamiento entre la cámara y los puntos de imagen del proyector o los retrasos menores en la reducción de la tergiversación puede dar lugar a errores de proyección, o “muestras de malentendido”.
En este contexto, un equipo de investigación del Instituto de Ciencia de Japón, Tokio, salió a encontrar una solución a los desafíos actuales en DFPM. Bajo el liderazgo del profesor asociado Yoshiro Witnab, estudiante graduado Sr. Hao Lone Peng, el equipo introdujo una serie de estrategias y técnicas modernas y las agregó a un sofisticado sistema DFPM de alta velocidad. Sus búsquedas fueron publicadas Transacciones IEE en concepto y gráficos por computadora El 17 de enero de 2025.
Primero, los investigadores desarrollaron una técnica híbrida llamada “Método de seguimiento de movimiento rápido”, que conecta dos formas diferentes paralelas a la detección de trazas faciales. Por un lado, utilizaron un método llamado un par de árboles de regresión (ERT) para realizar una detección rápida. También implementaron efectivamente las próximas imágenes en la cara del usuario para que las señales pudieran detectarse rápidamente. Obtuvieron esto aprovechando la información temporal de marcos anteriores para limitar el “área de búsqueda”. Para ayudar a recuperar la detección basada en ERT de errores o condiciones desafiantes, la conectaron con un método de soporte lento, que proporciona alta velocidad a baja velocidad.
Utilizando esta estrategia inteligente, los investigadores lograron una velocidad sin precedentes en DFPM. “La alta precisión pero la detección lenta y la baja precisión pero los resultados de detección más rápidos paralelos y compensamos las contradicciones temporales, mantenemos una alta precisión a solo 0.107 ml.
El equipo también se ocupó de un problema apremiante: disponibilidad limitada de datos de video de movilidad facial para modelos de capacitación. Desarrollaron una forma moderna de imitar las interpretaciones de video de alta tasa de marco utilizando datos faciales de imagen de acero existentes. Esto permitió que su algoritmo aprendiera la información del movimiento correctamente a altas velocidades de cuadro.
Finalmente, los investigadores sugirieron una configuración de la cámara de proyector co -xial de desplazamiento único para minimizar la muestra contenida en la alineación. Explicando Watnabe, “el mecanismo de cambio de lente contenido en el sistema óptico de la cámara lo conecta con la oferta por encima del sistema óptico del proyector, lo que conduce a una alineación coordinada más precisa”. Por lo tanto, el equipo logró una alta alineación óptica con un error de 1.274 píxeles para usuarios ubicados entre 1 metro y 2 metros de profundidad.
En general, este estudio ayudará a avanzar en el campo DFPM de varias maneras, lo que creará efectos más compulsivos y altamente realistas que cambian las actuaciones, los desfiles de moda y las ofertas artísticas.
