摘要：在FFT处理器的设计中,蝶形处理部件是关系整个处理器运行速度与资源的核心部分。对于1 0 2 4点的FFT复数浮点运算,本文旨在提出一种高效的基4排序算法,该算法基于按时间抽取的基4FFT,结合了流水线和并行方式的特点,利用4个循环序列进行时序控制,用3个实数乘法器实现基4蝶形的3次复数乘法,相对于传统的基4FFT算法可以节省75 %的乘法器逻辑资源。实验结果表明,用该算法设计的1 0 2 4点复数基4FFT处理器在1 0 0 MHz的主时钟频率下运算速度为5 1 .2 9μs,满足了FFT运算的高速实时性要求。由于该排序思想可以较方便地扩展到基8或基1 6,但不增加进行一次基本蝶算的时钟周期数,依然是4个,故对于高基数将具有更高的效率。

摘要：现有的网格简化算法通常要求人为给定模型整体简化率或者设置几何、颜色、纹理等属性的约束,如何合理地设置这些阈值对没有经验的用户来说比较困难.文中结合监督学习的方法,构建一个多层感知机模型来实现局部区域自适应简化率的预测.该感知机模型能根据网格模型不同区域的局部几何特性,提取出相应的特征,并根据这些特征进行分类.不同的分类对应着不同的简化率,从而在简化网格时根据分类对不同区域设置不同的法线偏差阈值,实现自适应简化率的网格简化算法.为证明该算法的效果,实验中选择不同种类和复杂程度的三维网格模型进行了简化,并与基于QEM能量函数的简化算法进行了整体简化率和简化后的视觉效果的实验对比,结果表明,相对于传统整体简化算法,这种基于局部区域特征设置自适应简化终止条件阈值的简化算法,能有效地根据几何特性对网格进行自适应简化,在保持模型细节的同时,提高了网格的整体简化率.

摘要：透明物体是日常生活中常见的事物,具有独特的视觉特性,这些特性使得标准的视觉3D传感器较难对其进行准确的深度估计.在大多数情况下,视觉3D传感器捕获的深度信息表现为透明物体后面的背景的深度值或大面积的深度缺失.为了对深度图像中透明物体的深度缺失进行快速修复,提出一种基于语义分割和多尺度融合的透明物体深度图像快速修复的方法,使用轻量级实时语义分割预测出透明物体的遮罩,剔除深度场景图像中该部分的错误深度信息,对彩色图像和剔除错误信息后的深度图像进行多尺度的特征提取和特征融合,完成对透明物体的深度图像快速修复.本文在Clear Grasp数据集上算法进行了效果验证.该数据集包含了5万多组RGB-D图像.实验结果表明,文中方法对透明物体深度的修复在度量指标MAE,δ_(1.05 )和 δ_(1.25 )上,分别取得了0.027,72.98和98.04的结果,均优于现有方法,并且在效率上有较好的提升.

摘要：针对目前因缺少配对的“缺失-完整”RGB-D数据集而不能直接训练端对端深度图像补全模型的问题,提出基于随机掩码构造对应的缺失-完整数据,结合真实数据集与合成数据集交替训练模型的策略.基于随机掩码生成不同缺失比例的深度图像,并且利用合成数据集构造具有可靠真值的深度图像缺失数据,从而得到具有可靠数据的缺失-完整RGB-D数据集.以此策略为基础,搭建融合对应RGB图像特征的多尺度深度图像补全网络,该网络分别从RGB图像特征提取分支和深度图像特征提取分支提取不同尺度的RGB图像特征和深度图像特征,再经过特征融合分支在不同尺度上对RGB图像特征和深度图像特征进行融合,进而能够充分地学习RGB图像丰富的语义信息和深度图像的信息补全缺失深度.在NYU-Depth V2数据集的实验表明,该方法在不同缺失比例的深度图像补全任务中,阈值精度平均值为0.98,平均相对误差约为0.061,与现有基于神经网络和优化稀疏方程组的方法相比,其在阈值精度上平均提升了0.02,平均相对误差平均下降了0.027.

摘要：为了通过并行化技术提高隐式曲面绘制和网格化的速度,提出一种基于GPU并行计算架构的区间分析方法来网格化和绘制隐式曲面.首先按照给定的绘制分辨率将绘制空间离散成体素表示,充分利用GPU的并行计算能力,采取区间分析方法并行计算隐函数在所有体素上的取值区间,从而确定出包含隐函数零等值面的特征体素;进一步,抽取特征体素的外表面对其进行拓扑校正,确保得到的网格是二维流形;然后使用Laplace操作对这个网格进行光滑处理,得到隐式曲面的网格表示.大量实验结果表明,隐式曲面的网格化和绘制时间一般小于0.1 s,达到了实时化的水平.

摘要：家居布局作为虚拟场景设计的重要内容,在虚拟现实、三维游戏以及室内家居设计中都有应用.针对现有的家居自动布局方法存在约束冲突容易导致局部最优,以及由于全局优化方法收敛速度慢而达不到实时要求的问题,提出层次优化的思想化解约束冲突并采用粒子群优化算法解决布局优化问题.首先引入层次树对家具之间的约束关系进行结构化组织,避免约束冲突;然后引入粒子群优化算法进行优化求解,由于粒子群优化算法有着良好的并行结构,便于GPU加速,从而提高算法效率.通过多样化的实例对算法的有效性进行了验证,并对运行效率进行细致分析,结果表明,文中方法提升了家居布局的质量和效率.

摘要：已有的四边形网格的简化及优化方法大多数都是三角形网格简化在局部几何上的推广.四边形网格的结构受螺旋条带的影响,移除四边形网格中的螺旋条带则可以在拓扑结构上明显提高四边形网格的质量.文中具体讨论了四边形网格上螺旋条带与网格上奇异点的关系及其性质,并根据这个性质给出了四边形网格中螺旋条带的一般生成算法.实验结果表明,该算法可以有效地搜索四边形网格上的螺旋条带,进而通过删除螺旋条带优化四边形网格的拓扑结构.

摘要：平面多边形间的同构三角剖分是平面形状渐进过渡与插值的基础,降低对应三角形的变形程度是获得高质量应用的关键.文中提出一种基于变形能优化的2个平面多边形的同构剖分算法,其中包含同构剖分生成和变形能最小化2个模块.首先根据用户指定的对应特征点对多边形进行顶点重采样,得到顶点一一对应的2个多边形;然后利用带约束的Delaunay剖分对其中的一个多边形进行三角化,得到源网格;再用重心坐标将源网格的内部顶点嵌入到另一个多边形得到同构剖分(目标网格);最后逐一检查三角形的变形能,对源网格中变形能超过阈值的三角形进行细分,用同构剖分模块生成新的目标网格.实验及数据统计分析表明,该算法可以得到较好的同构三角剖分,提升网格质量,并能很好地避免纹理细节失真.

摘要：针对在家居设计过程中饰品的挑选与摆放耗时较长的问题,提出一种融合设计历史知识的数据驱动的智能饰品摆放方法.首先将已有的专业设计师设计好的家居场景划分成一系列子空间结构,针对存放饰品的子空间标记和提取对应的饰品与子空间的特征关联信息;然后构建相应的学习模型,把子空间的特征信息与饰品的特征信息构成融合特征;接着,在新的场景中对需要摆放饰品的系列子空间,利用训练好的模型和饰品库的饰品特征生成相应的饰品摆放方案;同时,根据饰品在已有的摆放历史数据中的位置和语义信息挖掘饰品之间的关联关系,给出子空间中饰品的组合摆放.实验结果表明,所提方法的Top-10准确率和Top-10召回率分别为0.166 9和0.432 0,相对神经协同过滤模型,得到了不同程度的提高,能针对室内家居场景给出合理的饰品摆放方案,可极大地节约用户摆放饰品的时间.

摘要：为了提高从单目RGB图像估计人手的姿态与形状的精确性和准确性,加速3D重建过程,同时结合深度网络的高效性和迭代拟合的稳定性,提出单目图像人手网格重建方法.首先利用卷积神经网络模型从图像提取稀疏特征;然后根据稀疏特征回归人手模型参数,回归参数用于初始化迭代优化例程,将人手模型拟合到3D关节点上;最后用迭代拟合的人手参数逆向监督整个网络.基于弱透视投影模型,采用大型手势动作数据库FreiHand和ObMan进行实验的结果表明,所提方法在姿态误差和网格误差上较对比方法分别降低约52%和59%,在运行效率上较对比方法快约3倍.