Colorisation de nuages de points 3D par recalage dense d’images numériques
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
Le patrimoine architectural est composé de biens historiques et artistiques qui doivent être protégés, préservés, restaurés et exposés au plus grand nombre. Des appareils modernes tels que les scanners à laser 3D sont de plus en plus utilisés en documentation culturelle. Ces outils permettent de générer avec précision et rapidité des nuages de points de monuments historiques. Avec les données collectées, il est possible de créer un maillage afin de visualiser virtuellement les formes et/ou la surface de l’édifice. La plupart du temps, le scanner tridimensionnel est équipé d’un appareil photo numérique qui est utilisé pour coloriser les points relevés. Cependant, la qualité photométrique du nuage de points n’est pas toujours suffisante principalement à cause de problèmes de couleurs et de résolution. Des méthodes d’uniformisation d’intensités existent pour améliorer la colorimétrie mais ne permettent pas d’obtenir des rendus photo-réalistes et d’améliorer la résolution. C’est pourquoi, nous proposons une nouvelle méthode pour coloriser les nuages de points à l’aide d’images numériques de haute résolution acquises avec un appareil photo. Pour cela, nous avons développé une méthode permettant d’obtenir un recalage précis entre des images numériques acquises et un nuage de points, ce qui est une étape cruciale pour une bonne colorisation par projection de couleurs. Des résultats sur des jeux de données issus de la numérisation de la cathédrale d’Amiens à l’intérieur et à l’extérieur démontrent la validité de notre approche en obtenant des nuages de points de qualité et de résolution photométriques nettement meilleures.
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 | 0,002 | 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 | 0,001 | 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