Focus+Context Visualization Based on Optimal Mass Transportation

来源 :2018第12届全国计算机图形学大会Chinagraph 2018 | 被引量 : 0次 | 上传用户:yqligjs
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  In visualization field,Focus+Context techniques have been developed to visualize large,complex models on the display device with limited resolution.In this work,we propose a novel method for Focus+Context visualization based on Optimal Mass Transportation.An optimal mass transportation map deforms a volume to itself,transforms the source measure(volumetric element)to the target measure with the minimal transportation cost.Solving the optimal mass transportation problem is equivalent to a convex optimization,and can be converted to computing power Voronoi diagrams in classical computational geometry.Comparing to existing approaches,the proposed method has solid theoretic foundation,which guarantees the existence,uniqueness and the smoothness of the solution.It allows the user to accurately control the target measure,and select multiple focus regions with irregular shapes.The resulting deformation is globally smooth and flipping free.We demonstrate the effectiveness and efficiency of our method with several volume data sets from medical applications and scientific simulations.
其他文献
在柔性密封条误差测量过程中,密封条容易弯曲且形变较大,直接匹配精度较低,测量误差大。针对此问题,本文提出了一种基于两步式轮廓图像配准的柔性密封条视觉测量方法,该方法第一步提取密封条轮廓的角点,然后基于最小化均方误差的思想进行搜索,并计算初始配准结果,再使用线性回归进行微调来提高初始配准结果;第二步利用形状描述子进行局部轮廓配准,进一步获得两张轮廓图之间的精确配准结果;最终进行不同类型的误差定量计算
会议
光滑粒子动力学方法中求解流体不可压缩性的计算开销和稳定性都与时间步长的选取具较强的相关性。为了保证大时间步长下任意复杂场景的模拟,本文提出一种多尺度方法来求解流体的不可压缩性。本文方法通过定义具有不同分辨率的粒子层次结构来消除不同频域上的密度误差,从而实现更高的收敛速度和更低的计算开销。在每个粒子层次上,我们进一步提出一种基于位置的方法来校正位移场的误差。本文方法通过消除拉伸不稳定性允许我们选取比
会议
会议
会议
会议
相机位姿估计是 SLAM 系统的关键环节,影响着整个SLAM 系统的精度和效率。目前估计相机位姿的方法主要为特征点法和直接法两大类。特征点法的精度依赖于特征点的数量以及特征匹配的正确性,当场景中无法提取足够的特征点时,便无法准确地估计相机位姿。直接法通过像素的光度误差来估计相机位姿,不需要提取特征点,因此在特征点法无法工作时,直接法依然可以较为准确地估计相机位姿。但是直接法假设了光度不变性,因此其
会议
新一代规频编码标准 H.265/HEVC 采用了去块滤波不样点自适应补偿滤波技术来去除规频重建图像的块效应幵降低失真.这两种技术都源于信号处理理论,依赖人工设计相关算法不参数,幵丌能充分挖掘自然规频丰富而复杂的特性.本文将规频编码的环路滤波问题转化为端到端的回归问题,借劣于卷积神经网络,自劢学习重建规频图像不原始图像的复杂映射关系,降低两者的误巩,迚而提升编码效率.所提出的多特征增量学习网络模型共
会议
基于暗原色先验理论的算法可以对不同场景下的雾天图像进行有效去雾,但是去雾后图像通常含有较多噪声。而非局部 MTV 模型(Non-Local Multi-Channel Total Variation,NL_MTV)可以用于彩色图像去噪,同时又具有良好的保持边缘作用,并且对含有纹理的彩色图像经去噪后依然能保留原有的纹理特征。本文将这两种方法结合在一起,提出新的图像去雾算法,首先建立大气光值与大气传输
会议
360 视频存储需要经过投影拼合得到平面视频,不同 360 视频投影拼合方法对视频的质量影响非常大。本文提出一种连续保形的 360 视频投影拼合算法,利用 Peirce 梅花投影,可以保证投影后图像的拉伸变形较小。另外,该投影拼合算法可以确保平面视频图像的内部连续性。
会议
利用传统的方法进行图像放大时,往往其边缘层数也进行了成倍的增加,极度扩展了边缘的宽度,从而产生图像轮廓层次模糊现象。本文利用梯度自适应扩散获取边缘轮廓层作为图像放大约束,进而对轮廓层直接进行曲线插值重采样,而并不额外增加边缘层数,从而保证了放大后的图像在视觉上的边缘锐化效果。对于非轮廓层的平坦区域,则选择构建双三次 Coons 插值曲面并进行重采样,既能很好的保证平坦区域的平滑性,又能保证算法运算
会议