Kernkonzepte
Die SAUCD-Metrik bietet eine bessere Konsistenz mit der menschlichen Bewertung von 3D-Formen durch die Berücksichtigung von Gesamtform und Detailgenauigkeit.
Zusammenfassung
Die SAUCD-Metrik wurde entwickelt, um 3D-Formen besser mit menschlicher Wahrnehmung abzugleichen. Durch die Analyse des Spektrums von 3D-Meshes und die Berücksichtigung von Frequenzbändern wird die Genauigkeit der Bewertung verbessert. Die Erweiterung der Metrik mit lernbaren Gewichten ermöglicht eine genauere Anpassung an die menschliche Wahrnehmung. Die Ergebnisse zeigen, dass SAUCD und die angepasste Version die bisherigen Metriken übertreffen und gut auf verschiedene Objekte anwendbar sind.
Abstract
Bestehende 3D-Mesh-Formbewertungsmetriken konzentrieren sich hauptsächlich auf die Gesamtform, vernachlässigen jedoch oft lokale Details.
Die SAUCD-Metrik bietet eine bessere Übereinstimmung mit der menschlichen Bewertung, indem sie sowohl die Gesamtform als auch die Details berücksichtigt.
Durch die Analyse des Spektrums von 3D-Meshes und die Verwendung von Frequenzbändern wird die Genauigkeit der Bewertung verbessert.
Einführung
Fortschritte in der 3D-Rekonstruktion haben zu einer Vielzahl von Anwendungen geführt, bei denen die visuelle Qualität von 3D-Meshes entscheidend ist.
Traditionelle räumliche Metriken wie Chamfer-Distanz sind nicht immer empfindlich für feine Formdetails.
Die SAUCD-Metrik bietet eine analytische Lösung, um Formunterschiede besser zu erklären.
Experimente
Die Shape Grading-Datenbank wurde erstellt, um die Metriken mit menschlicher Bewertung zu vergleichen.
Die Korrelation zwischen den Metriken und der menschlichen Bewertung zeigt die Überlegenheit von SAUCD.
Die Anpassung der Metrik mit lernbaren Gewichten verbessert die Konsistenz mit der menschlichen Wahrnehmung.
Statistiken
Wir schaffen eine 3D-Mesh-Bewertungsdatenbank namens Shape Grading.
Die Metrik SAUCD zeigt eine Korrelation mit menschlicher Bewertung.
Die Anpassung der Metrik mit lernbaren Gewichten verbessert die Konsistenz mit der menschlichen Wahrnehmung.
Zitate
"Die SAUCD-Metrik ist gut auf menschliche Bewertung abgestimmt und übertrifft bisherige 3D-Mesh-Metriken."
"Die Erweiterung der Metrik mit lernbaren Gewichten ermöglicht eine genauere Anpassung an die menschliche Wahrnehmung."