Resumen - Modelo de Varianza Generalizada Total Relajada Regularizada, Segmentación de Superficies Trianguladas, con Discontinuidades Suaves de Mumford-Shah

Título
Modelo de Varianza Generalizada Total Relajada Regularizada, Segmentación de Superficies Trianguladas, con Discontinuidades Suaves de Mumford-Shah

Tiempo
2025-07-25 14:00:32

Autor
{"Huayan Zhang","Shanqiang Wang","Xiaochao Wang"}

Categoría
{cs.CG,cs.CV}

Enlace
http://arxiv.org/abs/2507.19284v1

PDF Enlace
http://arxiv.org/pdf/2507.19284v1

Resumen

El documento propone un nuevo método para la segmentación de mallas denominado "Modelo Regularizado de Variación Generalizada Total Relajada y Suave de Mumford-Shah para la Segmentación de Superficies Trianguladas". Este método tiene como objetivo mejorar la calidad de los bordes de la segmentación de mallas, en lugar de simplemente minimizar la longitud de los bordes como lo hacían los métodos anteriores. La idea clave es combinar el modelo de Mumford-Shah (MS) suave por partes con la regularización de variación generalizada total relajada (rTGV). El modelo MS approxima la función de características de una malla mediante una suma de funciones constantes por partes y suaves, mientras que la regularización rTGV captura discontinuidades de orden superior en la estructura geométrica. Las ventajas de este método incluyen: - Mejora de la calidad de los bordes: La regularización rTGV permite una mejor gestión de estructuras irregulares y obtiene bordes de segmentación más significativos. - Robustez: El método es menos sensible a la inicialización y puede producir resultados consistentes en diferentes conjuntos de datos. - Eficiencia: El problema de optimización se resuelve utilizando minimización alternada y el método de multiplicadores de dirección alternada (ADMM), lo que proporciona una solución computacionalmente eficiente. El documento proporciona resultados experimentales extensos que demuestran la efectividad del método propuesto en comparación con otros métodos de segmentación de vanguardia como Isoline Cut, WCSeg, PCMS, Spectral L0 y métodos basados en el aprendizaje. Los resultados muestran que el método propuesto produce mejores bordes de segmentación y alcanza resultados competitivos en el Conjunto de Referencia de Segmentación de Princeton. En resumen, el documento presenta un método nuevo y efectivo para la segmentación de mallas utilizando el modelo rTGV regularizado de Mumford-Shah suave por partes. El método proporciona una mejora en la calidad de los bordes y la robustez en comparación con los métodos anteriores, convirtiéndose en una herramienta valiosa para aplicaciones de modelado geométrico y gráficos por computadora.


Artículos Recomendados

Materiales no convencionales para la detección de materia oscura ligera

Campos magnéticos y rayos cósmicos en M31. II. Intensidad y distribución de los componentes del campo magnético.

Escala de valles de radio entre estrellas de baja masa con TESS

MTU: La Unidad de Árbol Multifuncional en zkSpeed para Acelerar HyperPlonk

Baryonificación: Una alternativa a las simulaciones hidrodinámicas para estudios cosmológicos

Un Marco de Inferencia de DNN de extremo a extremo para el MPSoC neuromórfico SpiNNaker2

AbGen: Evaluación de Grandes Modelos de Lenguaje en Diseño y Evaluación de Estudios de Ablación para la Investigación Científica

Detectando Anillos Galácticos en las Encuestas de Imágenes del DESI Legacy con Aprendizaje Profundo Semi-Supervisado

Clo-HDnn: Un acelerador de aprendizaje continuo en el dispositivo con una eficiencia energética de 4.66 TFLOPS/W y 3.78 TOPS/W mediante cómputo hiperdimensional eficiente en energía a través de búsqueda progresiva

Investigación de modelo de dos Higgs-doblete bajo custodia en耦合耦合微弱四元数下通过晶格