Notice bibliographique
Résumé
Nowadays, Virtual reality(VR) and Aug- mented reality(AR) have become one of the most popular format in many fields, for example video gaming, medical training and even aviation. VR and AR technique simulates images in an edge device, it gives an immersive experience to the users. AR/VR requires high resolution and high FPS for good experience. However, most of the AR/VR devices are made of embedded device due to the limitation of the size and weight of the headset. It is hard to render high quality frames in headset. Many popular VR/AR applications utilize the desktop and server to render the frames and transmit the frames to VR/AR for display. Data transmission from a more powerful device to the VR/AR device requires high transmission speed (1.6GB/s for Oculus quest 2), it is hard to provide the bandwidth with wireless protocol (WIFI/5G). HDMI or DP cable can be applied, but they limit the use case of the VR/AR devices. In this paper, we proposed a latency sensitive super sampling hardware accelerator for VR/AR devices based on machine learning which can significantly reduce the bandwidth requires to transmit frames to VR/AR. In our experiment, the super sampling can deliver high-resolution frames with 25% bandwidth which enable the wireless protocal for VR/AR devices. We implemented the accelerators in RTL and synthesis it with 130 nm skywater pkd. The power consumption of our accelerator at normal data rate for VR/AR devices is 20.97 w and the area is 299.602 mm2.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».