長牆顯示與XR
近年來，大尺寸牆面顯示（Wall-Sized Display）在博物館、展覽館與企業會議室等場域逐漸普及。相較於傳統頭戴式裝置，牆面顯示能夠同時支援多人觀賞，並保有高解析度與大視野。然而，如何在不依賴個人頭部或眼球追蹤（Head/Eye Tracking）的情況下，維持多用戶間一致且具有深度感的沉浸式體驗，一直是設計者與工程師面臨的挑戰。本文作者為全端工程師，長期服務於雲端 SaaS 及區塊鏈新創，並熟悉微服務容器化與生成式 AI 應用，以下將從技術與認知層面解析無追蹤深度感知之關鍵機制。
多用戶深度挑戰
在傳統的單用戶 3D 顯示系統中，往往藉由頭部追蹤器或眼球追蹤器動態調整攝影機投影矩陣（Projection Matrix），以維持正確的視差與深度。然而，在無需穿戴裝置的壁掛式或牆面顯示（簡稱 WSD）場景，多個觀眾分散於螢幕前不同位置，若採用單一固定視點渲染，非中心用戶將出現顯著的透視失真與深度錯覺。《Viewpoint-Tolerant Depth Perception for Shared Extended Space Experience on Wall-Sized Display》提出在普適 3D 渲染影像中，透過人類認知補償機制（Cognitive Compensation），在不做個別追蹤的情況下，仍能為用戶提供具有深度感的視覺體驗[1]。
認知補償實驗
作者針對虛擬深度（dv）與觀察距離（da）兩大變數，設計了一系列實驗，並分析以下三項認知補償因子：
1. 感知的距離差異（Perceived Distance Difference）
2. 可接受的視角閾值（Viewing Angle Threshold）
3. 虛擬存在感（Perceived Presence）
參與者被安排於多個視角（23 到 37 度離中心）進行深度判斷任務。結果顯示，即便偏離中心視角，使用者仍能產生具備說服力的深度感。當虛擬深度超過一定範圍時，深度感與存在感顯著下降，顯示在延展式空間中，需妥善平衡 dv 與 da，以維持最佳體驗品質。
效能與感知平衡
在多用戶無追蹤渲染流程中，效能關鍵在於 GPU 管線與渲染策略的優化。以下為建議做法：
• 單次渲染多重視角：透過 Geometry Shader 或 Compute Shader，為不同偏離角度產生近似投影，並合併成單一輸出紋理，以減少 draw call。
• 動態解析度調整：根據使用者分布熱點，於中心視區（Foveated Region）採用高解析度，邊緣視區則降階至半解析度，藉此降低記憶體頻寬（Bandwidth）壓力。
• 鏡頭畸變補償：在 Fragment Shader 中引入視角校正係數，以微調「投影畸變參數」（lens distortion factor），提升非中心視角的深度真實感。
根據《ACM Transactions on Graphics》2022 年 Benchmark 結果，以 NVIDIA RTX 4080 GPU 為例，採用上述策略能在 4K 解析度下，實現每秒 60 幀（FPS）以上的連續輸出，滿足互動 XR 場景需求[2]。
無追蹤實踐方案
以下為在常見開源渲染引擎（如 Unity、Unreal Engine）中，實作無追蹤深度感知的示意流程：
1. 初始化：設定全局攝影機（Camera）投影參數和離螢幕距離 da。
2. 多視角網格構建：在場景中建立一個覆蓋整個螢幕的網格（Fullscreen Quad），並在頂點資料中預先編碼多個視角偏移量（∆θ）。
3. Shader 實作：將 ∆θ 作為 Uniform 傳入 Vertex Shader，以計算不同偏離視角下的投影位置；在 Fragment Shader 中，根據虛擬深度 dv 與認知補償公式，動態調整深度測試與混合係數（Blend Factor）。
4. 輸出優化：合併多重渲染結果至單一 Render Target，並做後處理如色調映射（Tone Mapping）與邊緣銳化（Sharpening）。
實際代碼示例（伪碼）：
Shader "Custom/NoTrackingDepth" {
Properties { _DV ("Virtual Depth", Float) = 3.0 }
SubShader {
Pass {
CGPROGRAM
#pragma vertex vert
#pragma fragment frag
uniform float _DV;
struct appdata { float4 vertex : POSITION; float2 uv : TEXCOORD0; };
struct v2f { float4 pos : SV_POSITION; float2 uv : TEXCOORD0; };
v2f vert (appdata v) {
v2f o;
// 計算多重視角偏移
float theta = computeTheta(v.vertex.xy);
o.pos = UnityObjectToClipPos(v.vertex) + float4(theta, 0, 0, 0);
o.uv = v.uv;
return o;
}
fixed4 frag (v2f i) : SV_Target {
fixed4 col = tex2D(_MainTex, i.uv);
// 認知補償混合
float compensation = exp(-_DV * log(i.pos.z));
return lerp(col, fixed4(0,0,0,1), compensation);
}
ENDCG
}
}
}應用場景部署
考量到企業與公共空間部署的現實限制，以下為系統整合與網路安全建議：
• 硬體選型：以多 GPU SLI / NVLink 架構為優先，確保高解析度渲染效能；採用專業級低延遲影像傳輸（如 SDVoE 或 DisplayPort 2.1）。
• 網路架構：若採用雲端渲染，需配置高速低延遲網路（RTT < 20ms），並在邊緣節點部署邏輯拆分，以減少跨區網路抖動。
• 資安與隱私：此方案無需蒐集用戶個資或視線數據，符合 GDPR 與企業內部資安政策，可免除複雜的同意管理與資訊加密負擔。
未來發展方向
本研究展示了無追蹤深度感知的可行性，但仍有進一步優化空間：
1. 多焦深渲染（Multi-Focal Depth Rendering）：模擬人眼自然聚焦機制，可進一步提升深度真實感。
2. 混合智慧辨識：結合場景鏡頭中性辨識（Anonymous Pose Estimation），在不侵犯隱私前提下微調視角補償參數。
3. 動態適應演算法：透過機器學習模型實時預測使用者視角分布，動態分配 GPU 資源，以達到更高效能比。
隨著硬體成本下降與 AI 推理技術普及，無追蹤、無穿戴的沉浸式群體 XR 體驗將更容易大規模落地，為博物館、教室、企業會議等場域帶來創新的人機互動模式。
