MARC

 008250123s2024        us                              c    eng  d
■001000017161542
■00520250211151410
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384450290
■035    ▼a(MiAaPQ)AAI31292649
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aRamirez  de  Chanlatte,  Marissa  Isabella.
■24510▼aReconstructing  3D  Geometries  for  Scientific  Applications:  An  Image  to  Simulation  Pipeline
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a95  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Colella,  Phillip;Darrell,  Trevor.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aNumerical  simulation  is  a  powerful  tool  that  aids  scientists  in  the  understanding  of  the  physics  of  the  world  around  them,  but  to  achieve  an  understanding  of  the  physics,  we  must  start  with  a  representation  of  the  geometry.  Embedded  Boundary  (EB)  simulation  provides  robust,  automatic  handling  of  complex  geometries,  enabling  large  scale  physics  simulations,  but  it  still  depends  on  an  initial  3D  implicit  function  representation  of  said  geometry.  These  geometries  are  typically  user-supplied  through  3D  design  specifications,  but  for  many  domains  of  interest  (i.e.  outdoor  scenes  such  as  cities  or  forests)  no  such  design  specifications  exist.  This  means  that  simulations  of  this  nature  rely  on  expensive,  time  consuming,  and  often  noisy  measurements  from  LiDAR  or  other  sources,  and  because  of  the  cost  and  lack  of  quality  in  the  results,  there  have  been  relatively  few  3D,  large  scale  EB  simulations  of  outdoor  scenes.  Recent  advances  in  computer  vision,  such  as  Neural  Radiance  Fields  (NeRFs)  and  their  corresponding  Neural  Signed  Distance  Functions  (NeuS)  have  made  producing  3D  implicit  functions  from  images  much  easier,  but  they  have  not  yet  been  studied  from  the  view  point  of  numerical  simulation.  In  this  thesis,  we  present  for  the  first  time  a  3D  simulation  using  the  Embedded  Boundary  method  on  a  neural-SDF  learned  from  images,  demonstrating  the  feasibility  of  this  approach.  In  the  process,  we  identify  several  challenges  in  bridging  the  two  methods,  including  differences  in  how  the  computer  vision  community  measures  error/uncertainty  and  what  types  of  error/uncertainty  actually  matter  in  an  EB  simulation,  and  present  appropriate  alternatives.  In  the  following  chapters,  we  describe  several  methods  for  learning  3D  geometries  from  RGB  images,  discuss  their  suitability  for  scientific  tasks,  and  do  an  in-depth  analysis  of  their  error  and  uncertainty  and  how  those  affect  a  physics  simulation.  We  finally  discuss  this  pipeline  through  the  lens  of  a  high-impact,  real-world  application:  forest  management.  We  reconstruct  a  forest  scene  using  NeRF  that  is  visibly  much  more  appropriate  for  simulation  than  previous  examples.  We  also  discuss  what  challenges  this  real-world  data  presents  and  how  the  technology  presented  in  this  thesis  can  be  used  to  answer  real  scientific  questions.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aApplied  mathematics
■650  4▼aFluid  mechanics
■653    ▼a3D  reconstruction  models
■653    ▼aComputational  fluid  dynamics
■653    ▼aComputer  vision
■653    ▼aUncertainty  quantification
■690    ▼a0984
■690    ▼a0364
■690    ▼a0204
■71020▼aUniversity  of  California,  Berkeley▼bApplied  Science  &  Technology.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161542▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서