Name: Paisajes Aprendidos Fotorrealistas para Realidad Aumentada (Video) | JoVE Journal
Uploaded: 2025-06-27T13:20:00.000+00:00
Duration: 6 min 54 s
Description: Aprende a crear reconstrucciones 3D fotorrealistas a partir de imágenes de 360 grados usando Gaussian splatting y COLMAP. Este método computacional permite generar entornos virtuales inmersivos para terapia, educación y validación industrial.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

1. Captura de imágenes
<ol>
	<li>Coloque la cámara de 360° en un trípode que tenga una altura ajustable. Seleccione una serie de posiciones dentro del entorno que se va a escanear, siguiendo un patrón de malla cuadrada en el que cada borde está espaciado a 1,5 m de distancia.</li>
	<li>Capture imágenes a tres alturas diferentes en cada punto seleccionado de la malla: aproximadamente 0,4 m, 1,2 m y 2 m.</li>
	<li>Convierta las imágenes de 360° en imágenes de formato equirrectangular. Utilice la aplicación Ista360, por ejemplo. Seleccione la imagen, presione el botón Exportar , elija el modo de foto Exportar 360 y expórtela como una imagen con una proporción de 2:1.</li>
	<li>Extraiga imágenes en perspectiva en formato 16:9 de cada imagen equirrectangular con un campo de visión horizontal de 90°. Utilice los siguientes ángulos horizontales para todas las imágenes: 0, 45, 90, 135, 180, 225, 270, 315. Para imágenes tomadas a una altura de 0,4 m, utilice ángulos verticales 0, 50. Para imágenes tomadas a una altura de 1,2 m, utilice ángulos verticales -50, 0, 50. Para imágenes tomadas a una altura de 2 m, utilice ángulos verticales -50, 0. Para el proceso de extracción, utilice el script de Python Equi2Pers.py (Archivo de codificación suplementario 1; Figura 2).</li>
</ol>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68386/68386fig2.jpg"> 
Figura 2: Imágenes equirrectangulares a proyecciones. Diagrama de cómo se convierte una imagen equirrectangular en una proyección de mapa cúbico. <a href="https://www.jove.com/files/ftp_upload/68386/68386fig2large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
2. Estimación de la posición de la cámara con COLMAP
<ol>
	<li>Para crear un nuevo proyecto de COLMAP, haga clic en Archivo &gt; nuevo proyecto y, a continuación, especifique la ruta de acceso a las imágenes y cree una nueva base de datos.</li>
	<li>Extraiga las características de cada imagen haciendo clic en Procesamiento &gt; Extracción de características, seleccionando ESTENOPEICO como modelo de cámara y compartiendo todas las imágenes. Deje los parámetros restantes como predeterminados. En áreas con mucha textura, se pueden reducir max_num_features para aumentar la eficiencia del método.</li>
	<li>Realice la coincidencia de características haciendo clic en Procesando &gt; Coincidencia de características, utilizando los parámetros predeterminados.</li>
	<li>Calcule SfM haciendo clic en Reconstrucción &gt; Iniciar reconstrucción para obtener las posiciones y orientaciones de la cámara, utilizando los parámetros COLMAP predeterminados.</li>
	<li>Minimice los errores de reproyección mediante el ajuste de paquete haciendo clic en Reconstrucción &gt; Ajuste de paquete.</li>
	<li>Genere una representación 3D densa de la escena haciendo clic en Reconstrucción &gt; Reconstrucción densa, con salidas que incluyen poses de cámara y puntos reconstruidos.</li>
</ol>
3. Reconstrucción fotorrealista de escenas en 3D mediante salpicado gaussiano (GS)
<ol>
	<li>Ejecute el archivo train.py con los parámetros -s, -m y -r, donde -s especifica la ruta del proyecto COLMAP, -m define la ruta de salida para el Splatting Gaussiano (si no se especifica, se genera una predeterminada) y -r reescala las imágenes, normalmente entre 2 y 4. NOTA: El archivo train.py se encuentra en el repositorio oficial de Gaussian Splatting https://github.com/graphdeco-inria/gaussian-splatting.</li>
	<li>Localice el archivo .ply generado por el Splatting Gaussiano en la ruta de salida para su uso posterior en Unity.</li>
</ol>
4. Renderizado en realidad virtual con Unity y splatting gaussiano
<ol>
	<li>Conecte el casco de realidad virtual a la computadora. Este método depende del casco de realidad virtual utilizado.</li>
	<li>Utilice Unity Hub para crear un proyecto 3D con la versión 2022.3.44f1. Instale la versión 2022.3.44f1 de Unity si es necesario. Vaya a Proyectos &gt; nuevo proyecto, seleccione la versión 2022.3.44f1 y la plantilla 3D (Core), establezca un nombre y una ubicación del proyecto y haga clic en Crear proyecto para generarlo con la configuración predeterminada.</li>
	<li>Instale un complemento para administrar auriculares de realidad virtual y simplificar el desarrollo de aplicaciones, incluidas tareas como el acceso al joystick y el seguimiento ocular. Haga esto a través de la Asset Store de Unity usando el Administrador de Paquetes haciendo clic en Ventana &gt; Administrador de Paquetes.</li>
	<li>Utilice el complemento UnityGaussianSplatting para generar un activo a partir de la salida de Gaussian Splatting. Hazlo a través de la Asset Store de Unity usando el Administrador de Paquetes. Para generar este recurso, vaya a Herramientas &gt; GaussianSplats &gt; Crear GaussianSplatAsset y proporcione el archivo .ply generado por Gaussian Splatting.</li>
	<li>Utilice el complemento UltraLeap para mejorar la detección de manos, mejorando la interacción del usuario. Para instalar esto, vaya a Unity Asset Store &gt; Administrador de paquetes y haga clic en Ventana &gt; Administrador de paquetes.</li>
	<li>Utilice el complemento whisper.unity para transcribir el audio capturado por el micrófono del auricular de realidad virtual. Instale esto como se describe en el paso 4.5.</li>
	<li>Utilice un modelo LLM para generar respuestas. Instale el complemento LLMUnity para habilitar el uso de este LLM. Instale esto como se describe en el paso 4.5.<ol>
		<li>Cree un GameObject vacío y agregue un script LLM, luego haga clic en el botón descargar modelo para seleccionar un modelo predeterminado. Para los caracteres, agregue un objeto vacío y adjunte el script LLMCharacter a él, donde se pueden especificar el nombre y el rol.</li>
	</ol>
	</li>
	<li>Utilice el SDK de Meta - Voice para generar audio a partir de la respuesta producida por LLM. Para lograr esto, instale un complemento de texto a voz a través de la Asset Store de Unity utilizando el Administrador de paquetes haciendo clic en Ventana &gt; Administrador de paquetes.</li>
	<li>Utilice auriculares de realidad virtual para permitir una interacción inmersiva.</li>
</ol>

<ol><li>Zollmann, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Augmented+Reality+for+Construction+Site+Monitoring+and+Documentation%5BTitle%5D)+AND+%22Proceedings+IEEE%22%5BJournal%5D)">Augmented Reality for Construction Site Monitoring and Documentation.</a> Proceedings IEEE. 102 (2), 137-154 (2012).</li>
<li>Zhou, L., Wu, G., Zuo, Y., Chen, X., Hu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comprehensive+review+of+vision-based+3d+reconstruction+methods%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">A comprehensive review of vision-based 3d reconstruction methods.</a> Sensors. 24 (7), 2314(2024).</li>
<li>Structure-from-motion revisited. Schonberger, J. L., Frahm, J. M. IEEE Conf Comp Vis Pattern Recog, , 4104-4113 (2016).</li>
<li>Kerbl, B., Kopanas, G., Leimkühler, T., Drettakis, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3d+gaussian+splatting+for+real-time+radiance+field+rendering%5BTitle%5D)+AND+%22ACM+Trans.+Graph%22%5BJournal%5D)">3d gaussian splatting for real-time radiance field rendering.</a> ACM Trans. Graph. 42 (4), 139-141 (2023).</li>
<li>Embedding large language models into extended reality: Opportunities and challenges for inclusion, engagement, and privacy. Bozkir, E., et al. Proc 6th ACM Conf Conversat User Interf, , 1-7 (2024).</li>
<li>Remondino, F., El-Hakim, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image-based+3D+modelling%3A+A+review%5BTitle%5D)+AND+%22Photogrammet+Record%22%5BJournal%5D)">Image-based 3D modelling: A review.</a> Photogrammet Record. 21 (115), 269-291 (2006).</li>
<li>Özyeşil, O., Voroninski, V., Basri, R., Singer, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+survey+of+structure+from+motion%5BTitle%5D)+AND+%22Acta+Numerica%22%5BJournal%5D)">A survey of structure from motion.</a> Acta Numerica. 26, 305-364 (2017).</li>
<li>Structure from motion using full spherical panoramic cameras. Pagani, A., Stricker, D. IEEE Int Conf Comp Vision Workshops, , 375-382 (2011).</li>
<li>Dalal, A., Hagen, D., Robbersmyr, K. G., Knausgård, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gaussian+Splatting%3A+3D+Reconstruction+and+Novel+View+Synthesis%3A+A+Review%5BTitle%5D)+AND+%22IEEE+Access%22%5BJournal%5D)">Gaussian Splatting: 3D Reconstruction and Novel View Synthesis: A Review.</a> IEEE Access. 12, 96797-96820 (2024).</li>
<li>Zhang, M., Ding, H., Naumceska, M., Zhang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Virtual+Reality+Technology+as+an+Educational+and+Intervention+Tool+for+Children+with+Autism+Spectrum+Disorder%3A+Current+Perspectives+and+Future+Directions%5BTitle%5D)+AND+%22Behav+Sci%22%5BJournal%5D)">Virtual Reality Technology as an Educational and Intervention Tool for Children with Autism Spectrum Disorder: Current Perspectives and Future Directions.</a> Behav Sci. 12 (5), 138(2023).</li>
<li>Failla, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Virtual+reality+for+autism%3A+unlocking+learning+and+growth%5BTitle%5D)+AND+%22Front+Psychol%22%5BJournal%5D)">Virtual reality for autism: unlocking learning and growth.</a> Front Psychol. 15, 1417717(2024).</li>
<li>Huang, B., Yu, Z., Chen, A., Geiger, A., Gao, S. 2D Gaussian Splatting for Geometrically Accurate Radiance. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHuang%2C+B+%22arXiv%22">arXiv</a>. , (2024).</li>
<li>Zhang, Y., et al. Evaluating Human Perception of Novel View Synthesis: Subjective Quality Assessment of Gaussian Splatting and NeRF in Dynamic Scenes. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aZhang%2C+Y+%22arXiv%22">arXiv</a>. , (2025).</li>
</ol>

La capacidad de recrear e interactuar con paisajes 3D se ha vuelto crítica en muchas áreas diferentes de las aplicaciones de tecnología moderna. Las técnicas tradicionales para crear representaciones virtuales de ubicaciones reales a veces se basan en modelos rígidos y laboriososy mediciones manuales. Las técnicas avanzadas de visión artificial han surgido como opciones viables para la reconstrucción e interacción automatizada en 3D con el fin de superar estas limitaciones2.
El desarrollo de modelos 3D complejos a partir de fotografías de 360 grados es una característica notable de este progreso. Se puede obtener información espacial precisa identificando las áreas exactas en las que se tomaron las fotos utilizando herramientas de última generación como COLMAP3. El proceso se mejora aún más con Gaussian Splatting4, que permite recrear escenarios complicados en 3D con buena calidad.
La incorporación de estos modelos 3D en sistemas de realidad virtual (RV) abre nuevas vías de exploración y participación más allá de la reconstrucción. Para aumentar la participación, los usuarios pueden medir objetos del mundo real, como puertas y mesas, moverse por el espacio virtual e incluso agregar objetos digitales y avatares. Estos avatares pueden producir respuestas dinámicas e interactivas utilizando Grandes Modelos de Lenguaje (LLM), lo que da lugar a experiencias inmersivas5.
Este trabajo presenta una metodología para crear representaciones tridimensionales de un entorno del mundo real utilizando imágenes regulares en color y mostrarlas dentro de una configuración de realidad virtual. El sistema se basa en tuberías de estructura a partir del movimiento y de splatting gaussiano de propósito general. El sistema es adecuado para la creación de otras aplicaciones en la construcción o la atención médica.
El proyecto propuesto produce representaciones tridimensionales visualmente realistas y atractivas de entornos reales, que es su principal ventaja. Además, utiliza imágenes en color, que son muy convenientes en comparación con otros enfoques que requieren sensores costosos como LiDAR o cámaras de luz estructurada6. La razón de ser de la propuesta es que la capacidad de crear fácilmente representaciones tridimensionales visualmente atractivas tiene muchas aplicaciones. Se puede utilizar en la construcción para el control de calidad, en la atención médica para tratar a personas autistas en un entorno conocido y controlado, o en el entretenimiento para incluir una representación precisa de una ubicación real en un videojuego.
El desarrollo de sistemas para la reconstrucción 3D y la interacción con entornos virtuales ha avanzado significativamente en los últimos años, impulsado por la integración de tecnologías de visión artificial, aprendizaje automático y realidad virtual2. A continuación se describen los componentes y metodologías clave pertinentes para este trabajo.
La reconstrucción 3D precisa se basa en el procesamiento de imágenes para extraer información espacial y geométrica. Los métodos tradicionales como Structure from Motion (SfM)7 y Multi-View Stereo (MVS)8 se han utilizado ampliamente para estimar las poses de la cámara y generar densas nubes de puntos. Herramientas como COLMAP son reconocidas por su robustez en la realización de estas tareas, combinando SfM y MVS para producir modelos 3D de alta precisión a partir de conjuntos de datos de imágenes. Sin embargo, siguen existiendo limitaciones a la hora de lidiar con iluminación compleja, texturas y entornos altamente dinámicos.
Los avances recientes incluyen Gaussian Splatting9, que utiliza una representación basada en puntos para producir reconstrucciones fotorrealistas con mayor eficiencia que los métodos tradicionales basados en malla. El salpicado gaussiano permite una visualización más suave y una representación espacial más precisa, especialmente en escenas con detalles intrincados.
Una vez que se han reconstruido los modelos 3D, transformarlos a formatos compatibles con la realidad virtual es crucial para la interacción inmersiva. El uso de sistemas de realidad virtual se ha expandido más allá del entretenimiento a áreas como la educación, la atención médicay el diseño industrial. Los marcos de realidad virtual modernos permiten una navegación fluida, la interacción con objetos digitales y un realismo mejorado, lo que los hace adecuados para aplicaciones que requieren una alta participación del usuario.
La integración de características interactivas como objetos virtuales y avatares mejora significativamente la funcionalidad y la profundidad de los sistemas de realidad virtual (VR). Los avatares impulsados por Grandes Modelos de Lenguaje (LLM) facilitan interacciones conversacionales realistas, lo que permite experiencias de usuario dinámicas y adaptables. En particular, estas tecnologías han demostrado potencial en contextos terapéuticos, permitiendo interacciones personalizadas basadas en el comportamiento o el estado emocional del usuario. Por ejemplo, este estudio11 desarrolló una aplicación de realidad virtual que utiliza avatares como chatbots impulsados por LLM para entrenar a personas autistas en habilidades de comunicación vocacional, lo que destaca la adaptabilidad de los avatares impulsados por LLM en la terapia. Además, los LLM se integraron en entornos de realidad aumentada para promover la inclusión y el compromiso, respaldando aún más el potencial terapéutico de los avatares impulsados por LLM.
Los entornos virtuales se utilizan cada vez más en entornos terapéuticos, especialmente para las personas con Trastorno del Espectro Autista (TEA). Los estudios demuestran que los espacios virtuales familiares y controlados pueden reducir la ansiedad y aumentar la participación durante las sesiones de terapia11. Los avatares en estos entornos pueden actuar como facilitadores, administrando la terapia de una manera que se sienta segura y accesible para el paciente.
A pesar de los avances, persisten desafíos, incluido el costo computacional de la reconstrucción 3D, el mantenimiento de la alta fidelidad en entornos virtuales y la garantía de una integración fluida entre sistemas. Sin embargo, el desarrollo continuo de algoritmos y hardware más eficientes, así como los avances en las herramientas impulsadas por la IA, brindan oportunidades para una mayor innovación en esta área. Este artículo presenta un sistema novedoso para la reconstrucción 3D y la interacción con entornos virtuales utilizando imágenes de 360 grados. El enfoque integra técnicas como la localización de imágenes mediante COLMAP, la reconstrucción de alta calidad mediante salpicaduras gaussianas y la compatibilidad con la realidad virtual para la exploración inmersiva. Al incorporar objetos digitales y avatares interactivos impulsados por LLM, el sistema permite aplicaciones en terapia personalizada para personas con TEA y verificación de proyectos de construcción. Estas herramientas proporcionan un marco integral para crear entornos virtuales adaptativos que mejoran las prácticas terapéuticas e industriales. En la figura 1 se muestra la canalización de la propuesta.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68386/68386fig1.jpg"> 
Figura 1: Canalización del sistema. Diagrama de la tubería propuesta para la reconstrucción fotorrealista del entorno compuesto por el entorno real, las imágenes 360°, las proyecciones obtenidas, el proceso SfM, el proceso de Splatting Gaussiano y la integración con Realidad Virtual. <a href="https://www.jove.com/files/ftp_upload/68386/68386fig1large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

<table><tbody><tr><td>GPU NVIDIA GeForce RTX 2080</td><td>NVIDIA</td><td>TU104-400A</td><td>Dispositivo para procesamiento y reconstrucción de imágenes</td></tr><tr><td>Insta360 X4</td><td>Insta360</td><td>CINSABMA-H</td><td>Dispositivo de adquisición de datos para la reconstrucción</td></tr><tr><td>Meta Quest III</td><td>Meta</td><td>899-00582-01</td><td>Dispositivo para visualizar e interactuar con la reconstrucción</td></tr><tr><td>Tarjeta de memoria Evo Plus 128 GB</td><td>Samsung</td><td>MB-MC128KA/UE</td><td>Tarjeta de memoria para 360° almacenamiento de fotos</td></tr></tbody></table>

paisajes aprendidos fotorrealistas para realidad aumentada

Photorealistic Learned Landscapes for Augmented Reality

En esta sección, se discuten los resultados representativos, los puntos fuertes y las limitaciones de la tubería propuesta. Los resultados de la aplicación del método propuesto son los siguientes. La figura 3 muestra la posición de la cámara (en rojo) y la densa nube de puntos. Los grupos de cámaras con orígenes comunes representan proyecciones de la misma imagen equirrectangular.
<img alt="Figure 3" class="xfigimg" src="...

Paisajes Aprendidos Fotorrealistas para Realidad Aumentada

The ability to create photorealistic 3D reconstructions of real-world environments from standard color images has numerous applications in fields such as ...

photorealistic-learned-landscapes-for-augmented-reality

Research

Investigación

JoVE Journal

Engineering

Ingeniería

Este video muestra el uso de la realidad aumentada (AR) para la resección de tumores, donde una muestra de tumor escaneada en 3D se visualiza como un holograma en una pantalla montada en la cabeza. Los cirujanos pueden manipular y bloquear el holograma en su lugar para garantizar la extirpación precisa del tumor.

Visualización basada en realidad aumentada de una muestra tumoral resecada

Este estudio presenta un paradigma experimental para una prueba de usabilidad que combina evaluaciones subjetivas y objetivas. La evaluación objetiva adoptó métodos de Sistemas de Neuro-Información (NeuroIS), y la evaluación subjetiva adoptó un cuestionario de usabilidad y una escala NASA-Task Load Index (NASA-TLX).

Evaluación de la usabilidad de la realidad aumentada: un estudio de sistemas de neuroinformación

En este artículo se presenta el diseño e implementación de un módulo de cirugía automática basado en reconstrucción 3D basado en realidad aumentada (RA). El sistema permite la cirugía a distancia al permitir a los cirujanos inspeccionar las características reconstruidas y replicar los movimientos quirúrgicos de la mano como si estuvieran realizando la cirugía en estrecha proximidad.

Cirugía automática en reemplazo valvular aórtico transcatéter mediante realidad aumentada

Este protocolo ofrece una guía para implementar el seguimiento de marcadores infrarrojos para fantasmas que se mueven libremente (por ejemplo, órganos) y visualización holográfica mediante realidad aumentada. Además, describe una configuración para la validación preclínica de los sistemas de navegación holográfica utilizando el seguimiento electromagnético en fantasmas de movimiento libre.

Enfoque técnico para el seguimiento infrarrojo para la navegación de tejidos blandos con una pantalla holográfica montada en la cabeza y validación preclínica

Fotovoltaicos orgánicos (OPV) materiales son inherentemente no homogénea a escala nanométrica. Falta de homogeneidad de escala nanométrica de materiales OPV afecta al rendimiento de los dispositivos fotovoltaicos. En este trabajo se describe un protocolo para las mediciones cuantitativas de las propiedades eléctricas y mecánicas de los materiales de la OPV con resolución sub-100 nm.

Conductividad concurrente cuantitativa y Medidas propiedades mecánicas de los materiales fotovoltaicos orgánicos utilizando AFM

Se presenta en un proceso de alteración in situ de la IC tratada Si (001) de superficie en un estado hidrófilo o hidrófobo irradiando muestras en cámaras de microfluidos llenos 2 O 2 / H 2 O solución (0,01% -0,5%) o soluciones de metanol H mediante láser UV pulsada de un familiar fluencia bajo pulso.

Área selectivo Modificación de humectabilidad de la superficie del silicio por pulsos láser UV irradiación en Ambiente Líquido

Debido a la importancia y el uso extenso de paladio, oro y cobalto   metales en equipos de alta tecnología, su recuperación y el reciclaje constituyen un importante reto industrial. El sistema de recuperación de metal descrita en este documento es un medio de bajo costo simple, para la eficaz detección, remoción y recuperación de estos metales de la mina urbana.

Detección y recuperación de paladio, oro y cobalto Metales de la Mina Urbana utilizando sensores Novela / adsorbentes designados con nanoescala Los poros en forma de rueda-Wagon

Describimos una técnica para inscribir rejillas de Bragg de fibra idénticas en cada núcleo de una fibra multinúcleo. Esto se logra introduciendo una superficie adicional en la trayectoria óptica para mitigar la lente por la superficie curva del revestimiento de fibra.

La escritura de Bragg en fibras Multicore

Se presentan métodos experimentales para la investigación de procesos de enfriamiento en estado sólido y la caracterización de las propiedades del material elastocalórico de las aleaciones con memoria de forma (SMA). Se ha diseñado un banco de pruebas hecho a medida para el control y la supervisión exhaustiva de los procesos de enfriamiento elastocalórico. Además, proporciona una plataforma de validación para enfoques de modelado acoplados termomecánicamente.

Métodos experimentales para procesos de enfriamiento Elastocaloric Investigación de memoria de forma basada y validación del modelo

Demostramos la manipulación precisa de moléculas orgánicas individuales en una superficie metálica con la punta de un microscopio de sonda de barrido impulsado en 3D por la mano del experimentador utilizando un sistema de captura de movimiento y gafas de realidad virtual totalmente inmersivas.

Mano manipulación controlada de Moléculas Individuales a través de un microscopio de sonda de barrido con una interfaz de realidad virtual 3D

Aprende a crear reconstrucciones 3D fotorrealistas a partir de imágenes de 360 grados usando Gaussian splatting y COLMAP. Este método computacional permite generar entornos virtuales inmersivos para terapia, educación y validación industrial.

Paisajes Aprendidos Fotorrealistas para Realidad Aumentada

Explorar más videos