基于数据增强的秦俑碎片深度分类模型

在秦俑保护领域,为了降低秦俑碎片匹配及拼接的工作难度,更多的计算机辅助技术应用在破碎秦俑复原工作核心环节的碎片分类中。针对传统的秦俑碎片分类方法对碎片特征提取不充分及秦俑碎片数据采集难度较高等导致的分类准确率低下的问题,提出了一种基于数据增强的秦俑碎片深度分类模型。首先,通过条件生成式对抗网络对现有秦俑碎片数据集进行数据增强,实现秦俑数据集的扩充。其次,通过深度卷积神经网络自动且充分地提取碎片特征信息并实现有效的碎片分类效果。然后,引入convolutional block attention module(CBAM)双通道注意力机制和CutMix增强策略来显著提升深度分类模型的性能。最后,在秦俑实验数据集的对比实验结果表明,与传统的基于几何特征、尺度不变特征变换特征、形状特征、多特征融合等经典碎片分类方法相比,所提方法对秦俑碎片的分类取得了更准确的分类结果,有效降低了后续复原工作中匹配、拼接等工作的复杂度,进而提高了秦俑文物复原工作的整体效率。

基于无监督网络框架的文物点云模型去噪

数字化技术在文物保护工作中的应用极大促进了文化遗产领域的快速发展。三维激光扫描设备获得的文物点云数据不可避免包含大量噪声,直接影响点云数据的后续处理。为有效去除无序点云中的噪声点,较好恢复点云数据,基于无监督网络提出了一种新型点云去噪算法。首先通过上层网络分类并去除离群点;然后通过引入空间先验项引导待去噪点云中数据点收敛到流形上多模式中最接近真实点云的最优模式,从去除离群噪声点的点云数据中得到干净点云的分布,实现无监督精细点云去噪;最后通过计算去噪后点云间的chamfer distance来进行定量评价。与一些经典算法的对比分析实验结果表明,所提算法在去噪的同时,能有效保持点云模型的几何特征,对文物点云数据的去噪效果良好,去噪后的点云模型极大程度复原了原始干净点云模型,这对文物数字化保护的后续环节至关重要。

面向文物稠密点云模型的压缩复原框架

针对激光扫描仪获取的三维文物稠密点云模型在数据存储、远程传输与处理等环节导致的资源过度消耗问题,提出了一种基于贪婪算法的快速压缩与恢复框架。首先,将点云模型视为三维离散几何信号,用基于哈希函数的八叉树方法构建稠密点云的邻域约束关系。然后,计算点云邻接矩阵并构建离散拉普拉斯基对原信号进行稀疏表示,通过随机高斯矩阵对原信号进行随机采样,以完成信号压缩。最后,引入L_(0)正则化算子,采用四种经典的贪婪算法进行快速求解。用兵马俑头部点云模型和唐三彩胡人俑三维文物点云模型进行仿真测试,结果表明,本框架能完成对稠密点云模型的有效压缩和模型的快速重建。