3D curve inference from 2D sketch s

3D curve inference from 2D sketch strokes typically employs a curve fitness metric [Schmidt et al. 2009; Xu et al. 2014], with both discrete (for example to capture geometric regularity or curve-type constraints) and continuous terms (for example to model curve smoothness or minimal variation from the 2D stroke). This mix of prioritized discrete and continuous constraints makes fitness optimization for sketch understanding a challenging problem. Solutions such as combinatorial enumeration [Schmidt et al. 2009] or iterative least squares refinement [Xu et al. 2014] of discrete constraints, are tailored to exploit properties specific to the sketch problem domain. In our context of layered sketch strokes, prioritized discrete constraints take the form of admissible curve-types (Section 3.1), that we are able to efficiently classify from the 2D strokes and underlying 3D geometry. While we can similarly cast 3D curve inference as the optimization of a fitness function over a family of candidate 3D curves, our curve-type classification algorithm ( Figure 4) allows us to find a suitably fit 3D curve directly.

ผลลัพธ์ (ไทย) 1:

ข้อโค้ง 3 มิติจากเส้นร่าง 2 มิติโดยทั่วไปจะใช้การวัดเส้นโค้ง fitness [ชมิดท์ et al. 2009 Xu et al. 2014], ต่อเนื่อง และไม่ต่อเนื่อง (เช่นการจับภาพรูปทรงเรขาคณิตความโค้งชนิดข้อจำกัด) เงื่อนไข (ตัวอย่างรูปแบบเส้นโค้งราบรื่นหรือเปลี่ยนแปลงน้อยที่สุดจากจังหวะ 2D) การผสมผสานกันของข้อจำกัดอย่างต่อเนื่อง และไม่ต่อเนื่องที่จัดระดับความสำคัญทำให้เพิ่มประสิทธิภาพ fitness สำหรับร่างเข้าใจปัญหาท้าทาย แก้ปัญหาเช่นปัญหาการแจงนับ [ชมิดท์ et al. 2009] หรือ refinement กำลังสองน้อยสุดซ้ำ [Xu et al. 2014] ข้อจำกัดแยกกัน เหมือนอยู่กับบ้านใช้คุณสมบัติ specific ในร่างปัญหาโดเมน ในจังหวะที่ร่างชั้นบริบทของเรา จัดระดับความสำคัญใช้เดี่ยว ๆ จำกัดแบบฟอร์มชนิด admissible โค้งส่วน 3.1), ที่เราจะสามารถ efficiently จัดประเภทจากจังหวะ 2 มิติและ 3 มิติเรขาคณิตพื้นฐาน ในขณะที่เราในทำนองเดียวกันสามารถโยนข้อโค้ง 3 มิติเป็นการเพิ่มประสิทธิภาพฟังก์ชัน fitness กว่าครอบครัวของผู้สมัคร 3D โค้ง ของเราโค้งชนิด classification อัลกอริทึม (รูป 4) ช่วยให้เรา find เหมาะสม fit 3D โค้งโดยตรง

ผลลัพธ์ (ไทย) 2:

อนุมานโค้ง 3 มิติจากร่าง 2D จังหวะมักจะมีพนักงานโค้งไฟ tness เมตริก [Schmidt et al, 2009; Xu et al, 2014] ที่มีทั้งที่ไม่ต่อเนื่อง (เช่นการจับภาพเรขาคณิตระเบียบหรือข้อ จำกัด โค้งพิมพ์) และเงื่อนไขการอย่างต่อเนื่อง (เช่นแบบเรียบโค้งหรือรูปแบบที่น้อยที่สุดจากจังหวะ 2D) การผสมผสานของการจัดลำดับความสำคัญข้อ จำกัด ที่ไม่ต่อเนื่องและต่อเนื่องนี้จะทำให้เพิ่มประสิทธิภาพไฟ tness สำหรับการทำความเข้าใจร่างเป็นปัญหาที่ท้าทาย การแก้ปัญหาเช่นการแจงนับ combinatorial [Schmidt et al, 2009] หรือซ้ำน้อยสแควร์อีกครั้งไฟ nement [Xu et al, 2014] ข้อ จำกัด ที่ไม่ต่อเนื่องมีการปรับให้เหมาะสมกับการใช้ประโยชน์จากคุณสมบัติที่ระบุสาย c เพื่อโดเมนปัญหาร่าง ในบริบทของเราของจังหวะร่างชั้นจัดลำดับความสำคัญข้อ จำกัด ที่ไม่ต่อเนื่องในรูปแบบของเส้นโค้งที่ยอมรับประเภท (ส่วน 3.1) ซึ่งเราสามารถที่จะ EF ไฟอย่างมีประสิทธิภาพจำแนกจากจังหวะ 2D และ 3D เรขาคณิตพื้นฐาน ในทำนองเดียวกันในขณะที่เราสามารถโยนโค้ง 3D อนุมานว่าการเพิ่มประสิทธิภาพการทำงานของ tness ไฟมากกว่าครอบครัวของโค้ง 3D ผู้สมัครโค้งชนิดประจุบวกของเราขั้นตอนวิธีการจัดประเภทสาย (รูปที่ 4) ช่วยให้เราสามารถ fi ครั้งสายเหมาะสมโค้ง 3D เสื้อโดยตรง