【摘 要】
：
Possion 曲线有类似于 Bézier 曲线的性质,且其自身参数的可调区间更大。本文基于 3D 射影空间中点和平面的对偶性设计可展曲面的方法,以 Possion 基函数表示的控制平面来设计可展 Possion 曲面,该方法避免了大量的计算过程,使得设计更加直接,有效。同时,Possion 基函数其参数的定义域更大,使得可展 Possion 曲面造型的可调范围更大。
【机 构】
：
合肥工业大学数学学院 合肥 230000
【出 处】
：
2018第12届全国计算机图形学大会Chinagraph 2018
论文部分内容阅读
Possion 曲线有类似于 Bézier 曲线的性质,且其自身参数的可调区间更大。本文基于 3D 射影空间中点和平面的对偶性设计可展曲面的方法,以 Possion 基函数表示的控制平面来设计可展 Possion 曲面,该方法避免了大量的计算过程,使得设计更加直接,有效。同时,Possion 基函数其参数的定义域更大,使得可展 Possion 曲面造型的可调范围更大。
其他文献
近些年来，卷积神经网络框架在二维图像的语义分割、分类、检索等领域取得了非常好的效果。但是由于三维模型结构的复杂性与不规律性，卷积神经网络的卷积和池化操作却无法直接应用在三维模型上。为了发挥深度学习框架在二维图像分析领域积累的技术优势，本文采用基于多视角投影的方法来完成三维模型分类的任务。然而现有的基于多视角投影的三维模型分类方法大多采用固定视角，所采集到的多视角下的模型投影渲染图中存在大量的信息冗
受到纹理合成与图案拼接的启发，本文提出一种可交互的、有边界约束的图案拼接设计方案的生成方法：用户输入一条封闭的边界曲线和若干个图案单元，方法首先自动生成一个受边界曲线形状约束的初始图案拼接方案，之后用户可以直接在画布上对每个图案单元进行交互编辑，每次交互过程中，图案的拼接布局将基于弹簧质点系统，在尽量不改变交互结果的基础上实时地做出调整，从而保证良好的邻居拼接关系、满足边界约束。交互结束后方法会对
遥感领域中针对高分辨率全色图像和低分辨率多光谱图像的融合一直是研究的热点与难点。提高融合图像的空间分辨率和光谱分辨率是图像融合的主要研究目的。本文对上述两种类型的图像，设计了一种基于小波变换的图像融合算法。首先，图像经过小波变化后，利用边缘强度因子，能够将全色图像的低频部分融入到多光谱图像强度分量的低频部分。之后，对它们的高频部分采用局域标准差最大的准则进行融合，得到相应位置的高频信息。最后，通过
多体碰撞检测是计算机图形学、系统仿真、虚拟现实等领域的关键技术，有着广泛的应用。针对大规模场景中多体间的干涉与碰撞问题，提出一种鲁棒高效的连续碰撞检测优化算法。算法采用动态“扫描与剔除”(Sweep and Prune)技术及事件驱动方法剔除场景中不会发生碰撞的物体对检测； 对潜在发生碰撞的物体对，自动生成预测物体碰撞的事件，并将其加入到优先队列中进行管理； 通过在事件处理过程中引入新型混合包围盒
人群紧急情境下的行为仿真对于公共安全具有重要的现实意义。为研究紧急情境下人群逃生行为，近年来国内外学者已经开展了一些动物逃生行为实验。本文总结了部分以蚂蚁和老鼠为主要代表的动物群体逃生行为实验，并分析对比了紧急情况下动物逃生行为和人类逃生行为的相似性和差异性。通过总结已有的群体虚拟仿真模型，讨论了用动物逃生实验来实现群体仿真模型验证的可行性。并基于动物逃生行为和人类逃生行为的社会差异性，讨论了动物
三维模型的深度特征表示是三维目标识别和三维模型语义分割的关键和前提，在机器人，自动驾驶，虚拟现实，遥感测绘等领域有着广泛的应用前景。然而传统的卷积神经网络需要以规则化的数据作为输入，对于点云数据需要转换为视图或体素网格来处理，过程复杂且损失了三维模型的几何结构信息。本文借助已有的可以直接处理点云数据的深度网络进行改进，针对产生的特征缺少局部拓扑信息问题，提出一种利用双对称函数和空间转换网络来获得更
地理空间多维数据主要由空间位置和属性信息构成,能够有效记录和描述社会经济发展、自然环境变化、人类社交活动等事件和现象。有效地建立空间位置与属性信息的关联,对于地理空间多维数据的分析与理解具有重要的意义。平行坐标是经典的多维数据可视化方法,在其用于地理空间多维数据分析过程中,往往导致空间位置信息缺失,空间关联分析不确定等问题。因此,本文设计一种有效关联地图和平行坐标的地理空间多维数据可视分析方法 M
本文基于现有的研究提出一种细节感知的纹理去除算法，在去除图像纹理时，能够很好的保持图像的结构信息，尤其是诸如细长结构和边角信息等特殊细节。首先，本文将提出一种能够识别细长结构的结构检测方法，将细长结构检测并增强，用于在后续的纹理滤波处理中，保持在滤波时容易被平滑的细长结构信息。其次，改进原有的相对总变差模型，多方向寻找最小相对总变差，使它能够更好的区分纹理和边界，并且将边角信息从纹理中区分出来。然
三维数据模型，作为最接近现实世界的数字化表示正被广泛应用于模型生产、机器人科学、城市构建、自动驾驶、虚拟现实等领域。随着这些领域的发展，人们对三维数据模型的完整性、真实性、可靠性的需求也越来越大。然而在物体的建模过程中，不可避免的存在物体遮挡、相机抖动等情况，这造成了三维数据模型信息丢失、模型结构残缺不全的现象，因此需要对模型的缺失部分进行预测填充。本文结合深度学习理论，提出了基于八叉树的三维模型
随着深度传感器等硬件设备的发展，三维模型的数量逐渐增多，人们对三维数据模型的完整性、真实性的需求也越来越大。本文提出了基于生成对抗网络的模型补全方法，针对三维模型信息丢失、模型结构残缺不全的现象进行预测修复。通过编码-解码机制和生成对抗网络的对抗机制来预测模型的完整结构并保证预测模型与输入模型之间的相似性。实验表明，本文方法能够有效修补模型信息，得到更具真实感的完整三维模型。