Face Transformation With Harmonic Models by the Finite-Volume Method With Delaunay Triangulation
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
To carry out face transformation, this paper presents new numerical algorithms, which consist of two parts, namely, the harmonic models for changes of face characteristics and the splitting techniques for grayness transition. The main method in this paper is a combination of the finite-volume method (FVM) with Delaunay triangulation to solve the Laplace equations in the harmonic transformation of face images. The advantages of the FVM with Delaunay triangulation are given as follows: 1) easy to formulate the linear algebraic equations; 2) good in retaining the pertinent geometric and physical need; and 3) less central processing unit time needed. Numerical and graphical experiments have been conducted for the face transformation from a female (woman) to a male (man), and vice versa. The computed sequential errors are O(N⁻³/²), where N² is the division number of a pixel into subpixels. These computed errors coincide with the analysis on the splitting-shooting method (SSM) with piecewise constant interpolation in the previous paper of Li and Bai. In computation, the average absolute errors of restored pixel grayness can be smaller than 2 out of 256 grayness levels. The FVM is as simple as the finite-difference method (FDM) and as flexible as the finite-element method (FEM). Hence, the FVM is particularly useful when dealing with large face images with a huge number of pixels in shape distortion. The numerical transformation of face images in this paper can be used not only in pattern recognition but also in resampling, image morphing, and computer animation.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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