Contour-based 3D point cloud simplification for modeling freeform surfaces
Notice bibliographique
Résumé
The reconstruction of accurate freeform surface models of 3D scanned objects is a common task encountered in creating virtual reality environments for anatomical reconstruction, cartography, cultural artifact modeling, digital archaeology, infrastructure renewal, and computer-aided design. Difficulties occur in reconstructing smooth surfaces from these scanned data sets because the acquired data is very large and is often infiltrated with scanning errors. For surface reconstruction, visualization, and interactive virtual modeling, it is necessary to reduce the amount of raw scanned data. Many existing data simplification techniques are complex and not directly applicable to spline-based surface models. A novel two stage contour-based data simplification algorithm is introduced in this paper and applied to facial surface reconstruction, which may be used for human modeling for computer games or model creation for virtual museums. The first stage extracts a series of equally spaced sectioned contours directly from a dense 3D data points. In the second stage, each extracted contour is redefined as a cubic B-spline curve by reduced number of control points defined by a user defined reduction ratio. A lofted surface is finally created from these reconstructed contours. The effectiveness of the synthetic surface reconstruction algorithm is demonstrated using its deviation values from its original point cloud data set. The experimental results show that the proposed algorithm generates a fairly accurate spline based facial model with only 5-20% of the actual scanned data, based upon the surface complexity. Performance can be improved by increasing the number of extracted contours, followed by a greater reduction ratio in the second data simplification stage.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».