会员服务
稀疏 · 约束 · SIGGRAPH · 计算机图形学 ·
2014 年 5 月 8 日
Proofs of two Theorems concerning Sparse Spacetime Constraints
翻译：有关空间时间限制的两种理论的证明
Christian Schulz,Christoph von Tycowicz,Hans-Peter Seidel,Klaus Hildebrandt
Christian Schulz,Christoph von Tycowicz,Hans-Peter Seidel,Klaus Hildebrandt

In the SIGGRAPH 2014 paper [SvTSH14] an approach for animating deformable objects using sparse spacetime constraints is introduced. This report contains the proofs of two theorems presented in the paper.


翻译：在SISGGRAPH 2014年文件[SvTSH14]中,采用了一种利用稀少的时空限制来模拟可变形物体的方法,本报告载有文件中介绍的两个理论的证明。
0
下载
关闭预览

相关内容

【UCSD-MIT】深度学习隐私综述论文，Privacy in Deep Learning: A Survey
【UCSD-MIT】深度学习隐私综述论文，Privacy in Deep Learning: A Survey
专知会员服务
66+阅读 · 2020年4月28日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
94+阅读 · 2020年3月12日
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
专知会员服务
53+阅读 · 2020年3月5日
【机器伦理学综述论文，37页pdf】Implementations in Machine Ethics: A Survey
专知会员服务
12+阅读 · 2020年1月23日
【ICCV 2019 Tutorial】Deraining and Adherent Raindrop Removal（排水和去除液滴），新加坡国立大学 Robby T. Tan副教授
【ICCV 2019 Tutorial】Deraining and Adherent Raindrop Removal（排水和去除液滴），新加坡国立大学 Robby T. Tan副教授
专知会员服务
9+阅读 · 2019年10月30日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
47+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进！cGANs with Projection Discriminator
条件GAN重大改进！cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Learning to See Through Obstructions
Learning to See Through Obstructions
Arxiv
7+阅读 · 2020年4月2日
A Survey of Deep Learning for Scientific Discovery
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Language as an Abstraction for Hierarchical Deep Reinforcement Learning
Language as an Abstraction for Hierarchical Deep Reinforcement Learning
Arxiv
5+阅读 · 2019年6月18日
A generic framework for privacy preserving deep learning
Arxiv
6+阅读 · 2018年11月13日
Learning to Importance Sample in Primary Sample Space
Learning to Importance Sample in Primary Sample Space
Arxiv
5+阅读 · 2018年8月23日
A Dual Approach to Scalable Verification of Deep Networks
A Dual Approach to Scalable Verification of Deep Networks
Arxiv
3+阅读 · 2018年8月3日
C2MSNet: A Novel approach for single image haze removal
Arxiv
11+阅读 · 2018年1月25日
Experience-driven Networking: A Deep Reinforcement Learning based Approach
Arxiv
9+阅读 · 2018年1月17日
A Unified Method for First and Third Person Action Recognition
Arxiv
3+阅读 · 2017年12月30日
A Unified approach for Conventional Zero-shot, Generalized Zero-shot and Few-shot Learning
Arxiv
4+阅读 · 2017年10月26日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
稀疏
约束
SIGGRAPH
计算机图形学
相关VIP内容
【UCSD-MIT】深度学习隐私综述论文，Privacy in Deep Learning: A Survey
【UCSD-MIT】深度学习隐私综述论文，Privacy in Deep Learning: A Survey
专知会员服务
66+阅读 · 2020年4月28日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
94+阅读 · 2020年3月12日
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
专知会员服务
53+阅读 · 2020年3月5日
【机器伦理学综述论文，37页pdf】Implementations in Machine Ethics: A Survey
专知会员服务
12+阅读 · 2020年1月23日
【ICCV 2019 Tutorial】Deraining and Adherent Raindrop Removal（排水和去除液滴），新加坡国立大学 Robby T. Tan副教授
【ICCV 2019 Tutorial】Deraining and Adherent Raindrop Removal（排水和去除液滴），新加坡国立大学 Robby T. Tan副教授
专知会员服务
9+阅读 · 2019年10月30日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
47+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
热门VIP内容
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进！cGANs with Projection Discriminator
条件GAN重大改进！cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Learning to See Through Obstructions
Learning to See Through Obstructions
Arxiv
7+阅读 · 2020年4月2日
A Survey of Deep Learning for Scientific Discovery
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Language as an Abstraction for Hierarchical Deep Reinforcement Learning
Language as an Abstraction for Hierarchical Deep Reinforcement Learning
Arxiv
5+阅读 · 2019年6月18日
A generic framework for privacy preserving deep learning
Arxiv
6+阅读 · 2018年11月13日
Learning to Importance Sample in Primary Sample Space
Learning to Importance Sample in Primary Sample Space
Arxiv
5+阅读 · 2018年8月23日
A Dual Approach to Scalable Verification of Deep Networks
A Dual Approach to Scalable Verification of Deep Networks
Arxiv
3+阅读 · 2018年8月3日
C2MSNet: A Novel approach for single image haze removal
Arxiv
11+阅读 · 2018年1月25日
Experience-driven Networking: A Deep Reinforcement Learning based Approach
Arxiv
9+阅读 · 2018年1月17日
A Unified Method for First and Third Person Action Recognition
Arxiv
3+阅读 · 2017年12月30日
A Unified approach for Conventional Zero-shot, Generalized Zero-shot and Few-shot Learning
Arxiv
4+阅读 · 2017年10月26日
Top
微信扫码咨询专知VIP会员
Top