22、3D重建与社交网络中心性计算算法解析

3D重建与社交网络中心性计算算法解析

3D重建：光场与光度立体法结合

在3D物体重建领域，光场和光度立体法是两种重要的方法。光场深度估计能得到可靠的绝对深度，但会遗漏表面结构的精细细节；而从光度立体法估计的表面法线可以重建精细的表面细节，但仅包含相对深度信息。

为了结合这两种方法的优势，研究人员构建了一个能量项，并使用原始梯度下降方法将其最小化。通过在虚拟穹顶设置中渲染数据进行实验，将光场与光度立体法结合的方法与之前单独使用的光场深度估计方法进行了定量和定性比较。

以下是定量比较的结果表格：
| Scene | Dragon | Asian dragon | Buddha | Bunny | Armadillo | Lucy | Average |
| — | — | — | — | — | — | — | — |
| LF | 1.12 | 1.11 | 0.56 | 0.90 | 0.68 | 0.40 | 0.80 |
| LF + PS | 0.51 | 0.50 | 0.33 | 0.54 | 0.59 | 0.33 | 0.47 |

从表格中可以看出，结合方法在视差估计上有显著改进，平均均方根（RMS）误差从0.80降低到了0.47。定性结果也显示，在重建人脸、衣服、盔甲或皮肤结构等精细表面细节方面有明显提升。

社交网络中心性计算：分布式并行算法

如今，在线社交网络拥有数以百万计的用户，且仍在不断增长。因此，从这些网络生成的图通常无法放入单台机器的内存中，处理所需的时间也非常长。特别是计算像介数中心性这样的中心性度量，在这些图上的计算成本很高。