[ABC304Ex] Constrained Topological Sort

原题链接

先判环,有环自然无解。

然后比较显然的贪心是按 r r r 从小到大排序,然后尽可能让一个点在拓扑序中更早出现,这可以用 set 维护。

然后就会发现 WA 掉了。为什么呢?因为题中所给的 [ l , r ] [l,r] [l,r] 范围太广了,我们还要进一步缩小范围,考虑如何缩小。因为给你的是有向图,所以对于一条边 ( x , y ) (x,y) (x,y),无论如何都要满足 l x ≤ l y − 1 , r x ≤ r y − 1 l_x\le l_y-1,r_x\le r_y-1 lxly1,rxry1,据此可以在拓扑排序时缩小范围,然后再按上述做法。

最近又改马蜂了,#define FOR 是真的好用。

#include<bits/stdc++.h>
using namespace std;
#define rd read()
#define FOR(i,j,k) for(int i=j;i<=k;i++)
#define ROF(i,j,k) for(int i=j;i>=k;i--)
#define graph(t,head,edge) for(int i=head[t];i;i=edge[i].nxt)
int read(){
	int x=0,f=1;char ch=getchar();
	while(!isdigit(ch)){if(ch=='-')f=-1;ch=getchar();}
	while(isdigit(ch)) x=(x<<3)+(x<<1)+ch-'0',ch=getchar();
	return x*f;
}
const int N=2e5+10;
int n,m,head[N],tot,q[N],d[N],ans[N];
set<int> s;set<int>::iterator it;
struct Node{int l,r,id;}a[N];
bool cmp(Node a,Node b){return a.r<b.r;}
struct node{int to,nxt;}edge[N<<1];
void add(int x,int y){edge[++tot].to=y,edge[tot].nxt=head[x],head[x]=tot;}
bool iscycle(){
	int cnt=0,hh=1,tt=0;
	FOR(i,1,n) if(!d[i]) q[++tt]=i;
	while(hh<=tt){
		int t=q[hh++];cnt++;
		graph(t,head,edge){
			int y=edge[i].to;
			a[y].l=max(a[y].l,a[t].l+1);
			if(!--d[y]) q[++tt]=y;
		}
	}
	if(cnt<n) return true;
	ROF(j,n,1){
		int x=q[j];
		graph(x,head,edge){
			int y=edge[i].to;
			a[x].r=min(a[x].r,a[y].r-1);
		}
	}
	return false;
}
int main(){
	n=rd,m=rd;
	FOR(i,1,m){int x=rd,y=rd;add(x,y),d[y]++;}
	FOR(i,1,n) a[i].l=rd,a[i].r=rd,a[i].id=i;
	if(iscycle()){puts("No");return 0;}
	sort(a+1,a+1+n,cmp);
	FOR(i,1,n){
		int x=a[i].id;
		FOR(j,a[i-1].r+1,a[i].r) s.insert(j);
		it=s.lower_bound(a[i].l);
		if(it==s.end()){puts("No");return 0;}
		ans[a[i].id]=*it;s.erase(it);
	}
	puts("Yes");
	FOR(i,1,n) printf("%d ",ans[i]);
	return 0;
}
### BRDF-Constrained Multi-View Stereo Methods and Applications 在多视角立体视觉(Multi-View Stereo, MVS)领域,基于双向反射分布函数(Bidirectional Reflectance Distribution Function, BRDF)约束的方法已经成为提升三维重建质量的重要研究方向。传统的MVS方法通常假设物体表面为朗伯反射(Lambertian Reflectance),这种假设在面对具有复杂反射特性的非朗伯表面时,容易导致重建结果的不准确。而引入BRDF约束可以更好地建模真实场景中的表面反射特性,从而提高重建的精度和鲁棒性。 BRDF描述了表面在给定入射方向和出射方向下的反射特性。通过将BRDF模型纳入MVS框架,可以更准确地估计表面法线和深度信息。具体来说,这种方法利用多视角图像中的光照变化和视角变化,结合BRDF模型对表面反射行为的预测,来优化重建过程。例如,在表面法线估计中,可以使用BRDF约束来减少由于非朗伯反射引起的误差,从而获得更精确的法线方向[^1]。 在实际应用中,BRDF-Constrained MVS方法已经被广泛应用于三维重建、虚拟现实、增强现实等领域。在三维重建方面,这些方法能够处理具有复杂表面材质的物体,如金属、玻璃等,从而生成更加真实的三维模型。在虚拟现实和增强现实中,准确的表面反射建模可以提升视觉效果的真实性,使得虚拟场景与真实环境更加融合。 此外,BRDF-Constrained MVS方法还在医学成像、工业检测等领域展现出潜在的应用价值。例如,在医学成像中,通过精确建模组织表面的反射特性,可以获得更准确的三维解剖结构模型,有助于手术规划和导航。在工业检测中,这些方法可以帮助检测表面缺陷,提高检测的精度和可靠性。 ### 示例代码 以下是一个简单的Python示例,展示如何使用OpenCV库进行多视角立体视觉重建: ```python import cv2 import numpy as np # 读取多视角图像 images = [cv2.imread(f'view_{i}.jpg') for i in range(1, 6)] # 提取SIFT特征 sift = cv2.SIFT_create() keypoints = [] descriptors = [] for image in images: kp, des = sift.detectAndCompute(image, None) keypoints.append(kp) descriptors.append(des) # 匹配特征点 matcher = cv2.BFMatcher() matches = [] for i in range(len(images) - 1): match = matcher.knnMatch(descriptors[i], descriptors[i + 1], k=2) good_matches = [] for m, n in match: if m.distance < 0.75 * n.distance: good_matches.append(m) matches.append(good_matches) # 重建三维点 points_3d = [] for i in range(len(matches)): points1 = np.float32([keypoints[i][m.queryIdx].pt for m in matches[i]]) points2 = np.float32([keypoints[i + 1][m.trainIdx].pt for m in matches[i]]) E, mask = cv2.findEssentialMat(points1, points2, focal=1.0, pp=(0., 0.), method=cv2.RANSAC, prob=0.999, threshold=3.0) _, R, t, mask = cv2.recoverPose(E, points1, points2) points_4d = cv2.triangulatePoints(np.eye(4)[:3], np.hstack((R, t)), points1.T, points2.T) points_3d.append(points_4d / points_4d[3]) # 可视化三维点 import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig = plt.figure() ax = fig.add_subplot(111, projection='3d') for points in points_3d: ax.scatter(points[0], points[1], points[2]) plt.show() ``` ### 相关问题 1. BRDF模型在多视角立体视觉中的具体实现方法有哪些? 2. 如何评估BRDF-Constrained MVS方法的重建精度? 3. BRDF-Constrained MVS方法在处理动态场景时的挑战是什么? 4. 有哪些开源库或工具支持BRDF-Constrained MVS方法的实现?
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