Nweon

根据映维网的报道，现在不需要花费3500美元购买苹果Vision Pro；你可以使用已降价至999.99美元的Quest Pro来体验相关的用户界面。Supernova Technologies在YouTube上上传了一个视频，成功地在Quest Pro上运行了类似苹果visionOS的用户体验。他们利用Quest Pro的眼动追踪能力复刻了苹果演示视频中的界面，并使用了他们的Nova UI框架来实现类似的应用网格。视频展示了使用视线移动进行选择应用程序或菜单项，并通过手指捏合进行相关操作。虽然这并非真正的visionOS，但左侧的菜单允许操作各种UI界面元素。此外，苹果Vision Pro的朝下摄像头使得即使将手放在膝盖和大腿上，也可以执行手势操作，但Quest Pro需要举起手来。如果对Supernova Technologies的演示感兴趣，他们已经将Nova's visionOS demo APK托管至GitHub。另外，苹果已发布了visionOS SDK及相关模拟工具，并计划在全球多地开设开发者实验室，为开发者提供实践体验。

Valve最近发布了SteamVR 1.26版，新版本主要包括控制器自动重新绑定功能。这项功能使得当游戏缺少对玩家控制器的绑定时，SteamVR会自动创建新的绑定，并将其设置为模拟所需控制器类型，从而允许更多类型的控制器支持游戏。此举减轻了游戏开发者和控制器制造商的负担，使游戏能够顺利发布。 这一功能适用于所有使用OpenXR和SteamVR输入的作品。Valve表示他们为各热门控制器类型创建了默认重映射，驱动程序开发者可以按需覆盖重映射。新的控制器可以与SteamVR录中的大多数作品立即兼容，游戏开发者无需额外工作。 SteamVR 1.26版还添加了其他功能，例如在主面板中添加了手柄以便在空间中定位，在设备插拔后重新居中，修复了音频设备命名中的问题，添加了新的定位器使用部位，更新了绑定UI样式等。 OpenXR方面，重新居中按钮现在会影响OpenXR应用程序，使用XR_REFERENCE_SPACE_TYPE_STAGE的应用程序在调用xrLocateViews时会在头戴式显示器或控制器靠近原点时显示Chaperone导护系统，只有使用XR_REFERENCE_SPACE_TYPE_LOCAL超过3秒的应用程序会在用户位于原点1米范围内不显示Chaperone导护系统，修复了没有可用头戴式显示器时某些Unity游戏的崩溃问题等。

VR Training是一家专注于XR载具训练模拟器的公司，最近宣布获得了为美国海军陆战队提供MR载具模拟器训练平台的合同。该公司将与302 Interactive和Talon Simulations合作开发基于混合现实的训练模块，并帮助海军陆战队为新型两栖战车的实际操作做好准备。根据协议，团队将为海军陆战队创建两种配置的混合现实训练平台，包括MR头显、专家教练领导的训练模块以及由Talon Simulations制造的运动座椅。VR Training的首席执行官兼创始人尼尔·莱文表示，训练对于两栖战车来说非常重要，混合现实可以拯救生命，他对美军的前瞻性表示赞赏，并希望他们能将MR作为保护士兵安全的工具。Talon Simulations表示，他们创办公司的初衷就是积极地影响合作行业，并且很高兴看到他们的技术能帮助训练下一代美国海军陆战队。

现代VR/AR头显面临的一个重要挑战是视觉调节冲突，即在数字世界中，无论用户看向何处，他们都只能盯着固定的屏幕，导致视觉调节和辐辏冲突。这种冲突容易引起用户眼睛疲劳、恶心、头晕等问题。为解决这个问题，行业厂商尝试改变焦距或提供不同焦平面的变焦式头显。针对这个问题，卡内基梅隆大学的研究人员展示了一种可以在VR头显中产生自然焦点模糊的方法，他们称之为Split-Lohmann多焦点显示器。该显示器能够通过一次曝光同时产生密集的焦平面，其关键创新在于一种光学排列Split Lohmann，可以在传统显示器实现深度局部控制。该技术可用于处理具有复杂深度图的场景，并具有大光学扩展量和交互式3D内容的实时操作性。该显示器借鉴了20世纪70年代的Lohmann Lense焦距可调技术，通过光学转换而不是机械转换实现不同焦距的放置。研究人员表示，这种系统可以实时创建调节适应眼睛的虚拟3D场景，对近眼显示有很大的优势。

XR头显的面部追踪方案中，可以使用时间复用谐振驱动方案产生双极性电源。该方案包括LC谐振电路、感测电容器和多路复用器。LC谐振电路通过时间复用方式，在特定工作模式下激活，以从节点N3到节点NO产生可观测的振荡信号。控制器电路通过比较器检测节点N1和N2处的电压，并产生控制信号来控制电池的充电时间和占空比。驱动电路通过半桥谐振器的操作产生双电源电压VDD和VSS。通过调制开关电路的状态，实现电感电路的正向和反向存储电流，从而逐渐达到所需的正负电压供应水平。该方案的优点是减少了电路复杂度，实现了高Q谐振特性和大输出信号，同时节约了功耗和元器件数量。微软的专利申请于2021年12月提交，并已在美国专利商标局公布。

Twisted Pixel工作室，曾开发过非VR游戏，但随着虚拟现实的兴起，开始专注于VR游戏开发，并与Oculus Studios合作。在2022年被Meta收购后，工作室长期沉寂。然而，根据官方招聘启示，Twisted Pixel正在利用Unreal引擎开发一款未发布的VR游戏，并正在招募各种关键人员。考虑到Meta的产品线，可以肯定这款游戏面向Quest而非PC VR平台。值得注意的是，目前大部分的Quest游戏都是用Unity引擎创建的，因为Unity被认为更适合Quest头显的低端硬件，而Meta的新版Quest开发工具也主要面向Unity。Twisted Pixel的其他招聘启示提到，下一款VR游戏将支持多人游戏功能。由于Meta的Connect大会即将举办，团队可能会在此次活动上亮相并发布最新作品。

Bigscreen是一款专注于共同观影的VR社交应用。2023年2月，他们发布了一款名为Bigscreen Beyond的PC VR头显，售价999美元。他们声称这是世界上最小、最轻的系留式PC VR头显，重量只有127克，最薄的地方不到1英寸厚。这款设备可以根据面部的3D扫描进行定制。约翰·卡马克是一位传奇程序员，也是Oculus的前首席技术官，对XR产业有着独到的见解。他体验了Bigscreen Beyond，并在Twitter上表示，它感觉像是未来派电影中的道具，但确实可用，而且绝对是最小、最轻的PC VR头显。Bigscreen Beyond是基于Steam VR追踪标准的头显，有双Micro-OLED显示器，单眼分辨率为2560×2560，刷新率为70Hz至90Hz，六自由度的SteamVR追踪支持。对于喜欢SteamVR硬件生态系统的用户来说，这是一个有趣的选择。卡马克认为，Bigscreen Beyond对于考虑升级到PC VR系统的用户来说应该是他们的选择之一。

初创公司AR-Generation专注于开发支持iOS和Android的3D扫描应用MagiScan，允许开发者利用智能手机摄像头捕获任何物体并创建详细的3D模型，用于AR或元宇宙应用。团队估计MagiScan的速度比设计师手动创建3D模型快10倍，成本低100倍，并提供了将3D模型导出到NVIDIA Omniverse的扩展。英伟达对MagiScan进行了介绍，与AR-Generation首席执行官西达丘克共同开发了基于人工智能的3D扫描应用MagiScan，利用智能手机摄像头捕获物体并快速创建高质量的3D模型，用于AR或元宇宙应用。AR-Generation现在提供了将3D模型导出到NVIDIA Omniverse的扩展，并利用Universal Scene Description框架作为数字内容创建工具之间的通用语言。西达丘克表示，增强现实将成为日常生活中不可或缺的一环，MagiScan可以比设计师手动创建3D模型的速度快10倍，成本低100倍。对于选择为Omniverse构建扩展，是因为它提供了方便的环境，并集成了3D和生成式人工智能的所有工具。西达丘克最喜欢Omniverse的功能之一是它的Universal Scene Description兼容性，从而能够无缝交换3D数据。基于这个框架，MagiScan的扩展可以快速创建任何物体的高质量3D模型，帮助用户节省时间和金钱。

圣安德鲁斯皇家古典高尔夫俱乐部（Royal & Ancient Golf Club）计划与Golf 5合作推出首个VR高尔夫大奖赛，允许PICO 4 Meta Quest和Steam等平台的用户参赛。据悉，该VR公开赛将于2023年7月15日启动。比赛将使用Golf 5的VR高尔夫模拟器，玩家可以选择多个不同的球场进行比赛，并通过挥杆动作来训练和提升球技。此次合作旨在吸引新的受众参与高尔夫运动，并利用虚拟现实技术提供沉浸式的真实体验。公开赛将在2023年8月19日结束，总冠军将获得相关奖杯和2024年VR公开赛门票，其他类别的冠军将获得限量版纪念品。

研究人员提出了一种名为神经双工辐射场（NDRF）的新方法，用于实时新视点合成。他们通过学习预训练的神经辐射场（NeRF）中的双工辐射场来构建这种新方法。为了提高渲染质量，他们使用了卷积着色网络，并采用了多视图蒸馏策略来优化模型。该方法在实时渲染方面取得了显著的改进，同时改善或保持了渲染质量，计算成本也大大降低。与现有的高效NeRF方法相比，该方法具有更低的计算成本。 然而，从NeRF中提取有用的双工网格来表示透明或半透明场景是一项挑战。此外，几何代理的质量会直接影响神经表征的学习。另外，目前该方法主要关注对象级和有界场景数据集，因此如何有效地渲染无界场景仍是一个未来的研究方向。此外，实验表明，较大的可学习参数对于获得更好的渲染质量至关重要，因此未来的研究可以考虑提高片段着色器中较大CNN的运行效率或利用其他加速框架。