Colorisation de nuages de points 3D par recalage dense d’images numériques
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it