Marching Cube algorithm is currently one of the most popular 3D reconstruction surface rendering algorithms.It forms cube voxels through the input image, and then uses 15 basic topological configurations to extract the isosurfaces in the voxels.Since it processes each cube voxel in a traversal manner, it does not consider the relationship between isosurfaces in adjacent cubes.Due to ambiguity, the final reconstructed model may have holes.We propose a Marching Cube algorithm based on edge growth. The algorithm first extracts seed triangles, then grows the seed triangles and reconstructs the entire 3D model.According to the position of the growth edge, we propose 17 topological configurations with isosurfaces.From the reconstruction results, the algorithm can reconstruct the 3D model well. When only the main contour of the 3D model needs to be organized, the algorithm performs well.In addition, when there are multiple scattered parts in the data, the algorithm can extract only the three-dimensional contours of the parts connected to the seed by setting the region selected by the seed.


翻译:March Cube 算法是目前最受欢迎的 3D 重建表面算法之一。 它通过输入图像组成立方体的立方体, 然后用15个基本的表层配置来提取 voxels 中的等表层。 由于它以曲折的方式处理每个立方体 voxel, 它不考虑相邻立方体中的等表层之间的关系。 模棱两可, 最后重建的模型可能有洞。 我们根据边缘增长提出立方体算法。 算法首先提取种子三角形, 然后种植种子三角形, 并重建整个 3D 模型。 根据生长边缘的位置, 我们建议用等表层来绘制 17 个表层 。 从重建结果来看, 算法可以很好地重建 3D 模型 。 当仅需要组织 3D 模型的主要轮廓时, 算法就会很好地运行 。 此外, 当数据中存在多个分散部分时, 算法只能提取与种子相连部分的三维方形三角形 。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【ICLR2020-】基于记忆的图网络,MEMORY-BASED GRAPH NETWORKS
专知会员服务
108+阅读 · 2020年2月22日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
A Survey on Edge Intelligence
Arxiv
50+阅读 · 2020年3月26日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
45+阅读 · 2019年12月20日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
14+阅读 · 2019年9月11日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Top
微信扫码咨询专知VIP会员