软件所在保持拓扑的三维模型中值面简化方法研究中取得进展

近期,中国科学院软件研究所计算科学国家重点实验室王文成、侯飞团队提出了新的保持拓扑的三维模型中值面简化方法。相比于已有的中值面简化方法,新方法在几何近似质量、简化效率、保持拓扑等方面均有突出优势。相关成果以Topology Preserving Simplification of Medial Axes in 3D Models 为题,发表于欧洲图形学学会会刊Computer Graphics Forum, Vol 37, No. 7, 2019,并在环太平洋图形学国际会议Pacific Graphics 2019上进行了口头报告。

中值面是三维模型几何与拓扑的一种重要描述子,在模型压缩与近似、动画与形变、检索与识别等方面都有广泛应用前景。但是中值面对噪声的不稳定性使得对其进行化简十分必要。已有的简化方法具有各种各样的缺陷,或者简化质量不高,或者无法保持拓扑,或者依赖于耗时的拓扑检查步骤来保持拓扑(如图1)。

团队观察到边折叠简化中值面过程中拓扑改变的原因,并基于此提出了一个简单易行的拓扑检查策略,能在简化过程中有效规避拓扑改变。同时,由于边折叠操作的局部性质,团队证明了只有在模型孔洞周围才有需要进行拓扑检查。因此,如图2,团队基于投影提取出模型孔洞周围的关键区域,并将拓扑检查限制在关键区域上,避免了大量不必要的计算。此外,为了进一步减小拓扑检查对算法效率的拖累,团队提出了一个有效的并行边折叠简化框架。新方法继承了边折叠简化几何近似质量高的优点,同时还能保持拓扑,且具有较高的计算效率。在这里插入图片描述

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值