Constructing 3D Virtual Reality Objects from 2D Images of Real Objects Using NURBS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A new method for capturing and reconstructing 3D representations of real objects in a virtual reality system is introduced. Virtual reality applications allow users to navigate and interact with the 3D objects through the environment. This interaction requires that the 3D representation of real objects be highly accurate in modeling the reality. The novelty of the new methodology proposed, consists on the fact that it uses only a high resolution (7 megapixels or higher) digital camera and a projector in conjunction with 3D surface reconstruction techniques based on non-uniform rational Bzier spline (NURBS) functions. The 3D object reconstruction is based on finding unique control points on the 2D images of the object and constructing corresponding 2-D NURBS curves which contain the control points through a process of NURNS fitting. The control points are situated on grid lines which are extracted from the object surface on which a color coded grid is projected. The 2-D NURBS curves are projected into a 3-D space to eventually re-create the 3-D surface of interest. The method does not require any a priori knowledge of the absolute positioning or orientation of the camera and the projector as other 3D reconstruction techniques do. The precision of the method depends on the camera resolution and can attain easily sub-millimeters ranges. Examples illustrate the process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle