Research on the Application of Virtual Reality Technology in Cultural Heritage Digitisation
Notice bibliographique
Résumé
With the continuous development of virtual reality technology, its application in the digitization of cultural heritage has been constantly emphasized and applied, which has an important role and significance for the protection and inheritance of cultural heritage.This paper proposes a rendering algorithm that combines LOD algorithm and occlusion rejection algorithm.The article firstly carries out theoretical research on the relevant theories and rendering processes of LOD algorithm and occlusion removal algorithm, and finally takes the cultural heritage of Shennongjia as the research object to analyze the performance of this paper's algorithm in rendering different landscape scenes of the cultural heritage of Shennongjia.This paper concludes that in the high configuration machine, the algorithm of this paper improves the rendering performance by 587% in the resolution of 1280*720, and improves the rendering performance by 1061% in the resolution of 1920*1080.In the low configuration machine, the algorithm in this paper improves the performance by 653% in 1280*720 resolution and 770% in 1920*1080 resolution.Rendering frame rate LOD combined with occlusion culling algorithm (132.65fps)> occlusion culling algorithm (79.88fps) > LOD method (18.02fps) > without any optimization algorithm (5.32fps).The total number of rendering triangles is without any optimization algorithm (55.65) > LOD algorithm (16.78) > occlusion culling algorithm (3.64) > algorithm of LOD combined with occlusion culling (1.05).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».