Vertical Binocular Misalignment in AR Impairs Reading Performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vertical binocular misalignment (VBM) can degrade image quality and contribute to visual discomfort in stereoscopic head-mounted displays, particularly for see-through AR. In this project, we investigate whether VBM impairs visual performance — namely, users’ ability to process briefly-presented AR content, like text notifications. We also quantify how the impacts of VBM vary with an AR system’s virtual image distance (VID). Across three experiments, participants were asked to (a) detect and (b) resolve, fuse and process AR content presented with constant and time-varying VBM. Short text stimuli (words or sentences) were briefly presented on a multi-display haploscope, using additive and transmissive displays to emulate see-through AR. Experiments were repeated at three VIDs: 57, 100, 139 cm (1.75, 1, 0.72 D). The magnitude and frequency of VBM was adaptively sampled on each trial. Visual performance (as measured by participants’ time to fuse and read text) was steadily impaired with increasing VBM. For high VBM magnitudes, time to fuse did not meaningfully differ between VIDs; for low VBM, time to fuse was fastest in the furthest VID. Participants’ ability to detect VBM also improved at further VIDs. Correlations were observed between all three user outcome measures: detection, visual performance, and comfort. Overall, we find that visual performance metrics provide a useful framework to complement detection and visual comfort approaches, consistent with recent work on VBM and related artifacts in AR. The results of this study can be used to inform VBM tolerance guidelines and VID placement tradeoffs in future AR devices.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle