Fortschritte im Realismus von Augmented Reality mit Licht und Schatten
Unser System verbessert AR, indem es Beleuchtung genau schätzt und realistische Schatten erzeugt.
― 5 min Lesedauer
Inhaltsverzeichnis
Augmented Reality (AR) ist eine Technologie, die es uns ermöglicht, virtuelle Objekte in der realen Welt durch Geräte wie Smartphones und Tablets zu sehen. Stell dir vor, du hältst dein Gerät und siehst ein 3D-Modell eines Stuhls direkt in deinem Wohnzimmer. Damit dieses Erlebnis realistisch ist, müssen die virtuellen Objekte gut mit der tatsächlichen Szene verschmelzen. Diese Verschmelzung hängt stark davon ab, wie gut die Lichtverhältnisse der Umgebung geschätzt werden.
Lichtschätzung bedeutet, herauszufinden, wie Licht in einem bestimmten Raum funktioniert, woher das Licht kommt, welche Farbe es hat und wie es mit Objekten interagiert. Eine genaue Lichtschätzung hilft den virtuellen Objekten, so auszusehen, als würden sie natürlich in die Szene passen.
Die Notwendigkeit von realistischen Schatten in AR
Einer der wichtigsten Aspekte, um Augmented Reality echt wirken zu lassen, sind Schatten. Wenn virtuelle Objekte in einer Szene platziert werden, müssen sie Schatten werfen, die imitieren, wie das Licht sie in der realen Welt treffen würde. Ohne realistische Schatten wirken virtuelle Objekte flach oder fehl am Platz. Besonders weiche Schatten sind wichtig in Innenräumen, da Lichtquellen wie Lampen aufgrund der Nähe ein weiches Aussehen haben.
Unser Pipeline für AR-Integration
Wir haben ein System oder eine Pipeline entwickelt, die hilft, virtuelle Objekte in echte Innenraumszenen zu integrieren, sodass es realistisch aussieht. Dieses System konzentriert sich auf zwei Hauptfunktionen: die Schätzung der Lichtverhältnisse in einer Szene und die Erzeugung von weichen Schatten basierend auf diesen Bedingungen.
Lichtschätzung
Der erste Schritt in unserer Pipeline ist die Lichtschätzung. Um Licht zu schätzen, verwenden wir ein normales Kamerabild, das von Geräten wie Smartphones aufgenommen wurde. Das Bild enthält wichtige Informationen über die Beleuchtung im Raum, wie z. B. aus welcher Richtung das Licht kommt und welche Farbe es hat. Durch die Analyse dieses einzelnen Bildes können wir genug Informationen sammeln, um zu rekonstruieren, wie das Licht mit virtuellen Objekten interagieren würde.
Erzeugung von weichen Schatten
Sobald wir die Lichtverhältnisse geschätzt haben, ist der nächste Schritt, weiche Schatten zu erstellen. Weiche Schatten sind wichtig für den Realismus; sie verändern sich je nach Lichtrichtung und der Form des Objekts. Wir verwenden ein kleines neuronales Netzwerk, um diese Schatten in Echtzeit zu generieren, sodass es möglich ist, sie schnell auf mobilen Geräten darzustellen.
Wie das System funktioniert
1. Analyse der Lichtverhältnisse
Unsere Analyse der Lichtverhältnisse beginnt damit, dass wir mit einer Kamera ein Bild der Szene aufnehmen. Dann wenden wir einen Prozess an, um Informationen über die Lichtrichtung, Lichtfarbe und Umgebungsfarbe, die die Hintergrundbeleuchtung der Umgebung ist, zu extrahieren. Dieser Schritt ist wichtig, da er uns ermöglicht, das Lichtverhalten auf virtuellen Objekten nachzubilden.
2. Erstellung von Schattentexturen
Nachdem wir die Beleuchtung geschätzt haben, konzentrieren wir uns auf die Erstellung von Schattentexturen. Diese Texturen definieren, wie Schatten basierend auf der Lichtrichtung geworfen werden. Für weiche Schatten berechnen wir diese Texturen im Voraus, was bedeutet, dass wir sie vorher erstellen, basierend darauf, wie Licht aus verschiedenen Winkeln mit Objekten interagiert.
3. Kombination von Licht und Schatten
Schliesslich kombinieren wir die Ergebnisse aus der Lichtschätzung und der Erstellung von Schattentexturen. Diese Kombination ermöglicht es uns, virtuelle Objekte in der Szene mit Schatten darzustellen, die zu der Beleuchtung in der realen Welt passen und so ein überzeugendes visuelles Erlebnis schaffen.
Echtzeit-Performance
Ein grosser Vorteil unseres Ansatzes ist die Geschwindigkeit. Unser System läuft in Echtzeit, was bedeutet, dass es diese Berechnungen schnell genug durchführen kann, um ein flüssiges Benutzererlebnis auf mobilen Geräten zu bieten. Diese Geschwindigkeit ist für AR-Anwendungen entscheidend, da jede Verzögerung das Gefühl der Immersion ruinieren kann.
Bewertung des Realismus
Um zu messen, wie realistisch unser System ist, haben wir Bewertungen durchgeführt. Wir haben Teilnehmer gebeten, Bilder, die mit unserem Ansatz gerendert wurden, mit Bildern zu vergleichen, die traditionelle Rendering-Methoden verwendeten. In diesen Vergleichen bewerteten die Probanden, wie gut die virtuellen Objekte in die Szenen basierend auf Licht und Schatten passten.
Überraschenderweise bevorzugten viele Teilnehmer die von unserem System generierten Bilder gegenüber denen, die traditionelle Methoden verwendeten. Dieses Ergebnis deutet darauf hin, dass unser Ansatz erfolgreich eine überzeugende visuelle Verschmelzung zwischen virtuellen Objekten und realen Umgebungen schafft.
Die Bedeutung des Datensatzes
Für unseren Lichtschätzungsprozess haben wir einen Datensatz mit zahlreichen Bildern mit bekannten Lichtverhältnissen verwendet. Dieser Datensatz ermöglicht es uns, unser neuronales Netzwerk effektiv zu trainieren. Er hilft dem System, zu lernen, wie man Lichtverhältnisse aus neuen Bildern genau bestimmt.
Herausforderungen angehen
Obwohl unsere Pipeline gut funktioniert, gibt es immer noch Herausforderungen, die angegangen werden müssen. Zum Beispiel ist die genaue Schätzung von Schatten, die auf Wände oder komplexe Oberflächen fallen, weiterhin ein Verbesserungsbereich. Darüber hinaus erstellt das System derzeit nur Schatten für die Bodenfläche, auf der das virtuelle Objekt platziert ist.
Zukünftige Richtungen
Während wir unsere Pipeline weiter verfeinern, planen wir, zu erkunden, wie wir unsere Methoden erweitern können, um mit komplexeren Lichtsituationen umzugehen. Dazu gehört die Einbeziehung verschiedener Arten von Lichtquellen über grundlegende gerichtete Lichter hinaus und die Erstellung von Schatten für mehrere virtuelle Objekte in einer Szene.
Fazit
Unsere Arbeit stellt einen bedeutenden Fortschritt bei der Integration virtueller Objekte in Echtzeit-Augmented-Reality-Anwendungen dar. Durch die genaue Schätzung der Beleuchtung und die Erstellung realistischer weicher Schatten können wir das Gefühl der Immersion für die Nutzer verbessern. Eine kontinuierliche Verbesserung dieser Techniken verspricht in Zukunft noch realistischere AR-Erlebnisse.
Mit laufender Forschung streben wir danach, die Grenzen dessen, was in AR möglich ist, zu erweitern und den Weg für Anwendungen zu ebnen, die die virtuelle und die reale Welt nahtlos miteinander verbinden.
Titel: Real-time Light Estimation and Neural Soft Shadows for AR Indoor Scenarios
Zusammenfassung: We present a pipeline for realistic embedding of virtual objects into footage of indoor scenes with focus on real-time AR applications. Our pipeline consists of two main components: A light estimator and a neural soft shadow texture generator. Our light estimation is based on deep neural nets and determines the main light direction, light color, ambient color and an opacity parameter for the shadow texture. Our neural soft shadow method encodes object-based realistic soft shadows as light direction dependent textures in a small MLP. We show that our pipeline can be used to integrate objects into AR scenes in a new level of realism in real-time. Our models are small enough to run on current mobile devices. We achieve runtimes of 9ms for light estimation and 5ms for neural shadows on an iPhone 11 Pro.
Autoren: Alexander Sommer, Ulrich Schwanecke, Elmar Schömer
Letzte Aktualisierung: 2023-08-03 00:00:00
Sprache: English
Quell-URL: https://arxiv.org/abs/2308.01613
Quell-PDF: https://arxiv.org/pdf/2308.01613
Lizenz: https://creativecommons.org/licenses/by-nc-sa/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.