MARC

 008260126s2025        us                              c    eng  d
■001000017360338
■00520260202105509
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263324889
■035    ▼a(MiAaPQ)AAI32308085
■035    ▼a(MiAaPQ)GeorgiaTech77940
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a515.35
■1001  ▼aYang,  Huizong.
■24510▼aVariational  Approaches  to  3D  Reconstruction  from  Multiple  Depth  Images
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a131  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Yezzi,  Anthony  J.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aThis  dissertation  introduces  a  novel  variational  framework  for  reconstructing  3D  surfaces  from  depth  data  acquired  by  commercial  sensors.  The  work  is  organized  into  three  main  contributions.First,  by  leveraging  variational  methods  and  differential  geometry,  we  derive  explicit  expressions  for  occluding  boundaries-a  key  source  of  non-differentiability  in  3D-2D  matching  tasks.  Unlike  prior  approaches  that  rely  on  curvature  measures  or  implicit  representations,  our  work  characterizes  the  local  structure  of  occluding  curves  directly  from  the  surface  geometry.  In  particular,  we  demonstrate  that  the  tangent  of  an  occluding  curve  can  be  extracted  from  the  surface's  second-order  structure  along  the  viewing  direction,  decomposing  naturally  into  components  corresponding  to  geodesic  torsion  and  normal  curvature.  This  result  not  only  clarifies  the  role  of  occluding  boundaries  but  also  integrates  seamlessly  into  our  implicit  reconstruction  framework.The  second  contribution  addresses  the  challenges  of  reconstructing  surfaces  from  raw,  noisy,  and  incomplete  depth  maps-a  common  limitation  of  commercial  depth  cameras.  We  propose  a  variational  framework  that  enforces  global  data  fidelity  while  incorporating  flexible  regularization  strategies.  A  key  innovation  is  the  separation  of  foreground  and  background  modeling,  which  minimizes  the  influence  of  erroneous  background  data.  To  further  mitigate  issues  from  missing  measurements,  we  introduce  a  novel  inpainting  technique  that  works  in  concert  with  an  area-penalty  regularizer.  In  addition,  a  new  initialization  scheme  for  the  implicit  function  is  presented,  accelerating  convergence  and  enhancing  reconstruction  accuracy,  particularly  for  smooth  surfaces.Finally,  we  exploit  the  ideas  from  shape  analysis,  and  develop  a  new  regularizer  for  neural  signed  distance  function  (SDF)  reconstruction.  By  directly  addressing  the  instability  introduced  by  the  prevalent  Eikonal  loss,  our  regularizer  not  only  improves  convergence  but  also  preserves  finer  geometric  details  compared  to  existing  methods.  Rigorous  analysis  and  extensive  experiments  on  public  benchmarks  validate  its  superior  performance.In  summary,  this  dissertation  demonstrates  that  integrating  variational  methods  and  shape  analysis  can  overcome  significant  data-quality  challenges  in  3D  reconstruction,  while  also  offering  new  insights  that  enrich  learning-based  approaches.
■590    ▼aSchool  code:  0078.
■650  4▼aPartial  differential  equations
■650  4▼aDeep  learning
■650  4▼aComputer  vision
■650  4▼aBenchmarks
■650  4▼aDecomposition
■650  4▼aMissing  data
■650  4▼aVisualization
■650  4▼aGeometry
■650  4▼aComputer  science
■690    ▼a0800
■690    ▼a0984
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360338▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서