CONTOUR-BASED 3D POINT DATA SIMPLIFICATION FOR FREEFORM SURFACE RECONSTRUCTION
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
Three-dimensional clouds of largely unorganized coordinate data are often used to reconstruct freeform surfaces and shapes for a variety of seemingly diverse reverse engineering applications involving computer-aided design, anatomical reconstruction, cartography, digital archaeology, and infrastructural renewal. The point cloud data acquired by non-contact digitizers is very dense and includes numerous scanning errors. As a consequence, the captured data must be filtered and simplified for accurate surface reconstruction. Many existing data simplification techniques are, however, complex and do not directly support the development of spline-based surface models. In this paper a novel contour-based simplification algorithm is introduced for creating B-spline facial surface models directly from scanned data. The algorithm first extracts a series of equally-spaced sectioned contours from an unorganized 3D point cloud by mapping points onto a set of user-defined parallel planes. Each extracted contour is then regenerated as a cubic B-spline curve with a reduced number of control points using a user-defined reduction ratio. A freeform surface is finally created from these contiguous reconstructed contours by a lofting process. Deviation analysis that compares the final reconstructed surface to the original point cloud data is used to demonstrate the effectiveness of the proposed algorithm. The results show that the proposed algorithm generates a fairly accurate spline-based surface model from unstructured points using less than 20% of the actual scanned data. Surface accuracies are enhanced with increased number of initial contours and a greater second stage data reduction ratio.
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