Chopper: Partitioning Models into 3D-Printable Parts论文笔记
声明:文中所有观点仅代表个人见解，若有不妥之处欢迎指正。
这篇论文于2012年 被 SCI 2区 "ACM TRANSACTIONS ON GRAPHICS"录用。论文链接
目录
1.Overview
2.Beam Search 束搜索
3.Objective Function
3.1 number of parts
3.2 Connector Feasibility
3.3Structural Soundness
3.4 Aesthetics
4. Connector
1.Overview
零件的切割基于BSP实现，其中使用beam search，通过定义的目标函数来选择最佳的束（切割平面）。并设计连接器连接切割后的各部分。
2.Beam Search 束搜索
本文的剖分基于BSP，使用这种方法虽不能实现任意切割，但其效率相对提高很多。
每个平面形成一次切割，切割后不一定得到两个单独的component（整体）。
beam search algorithm
b：beam width；每次迭代寻找b个最优切割平面，对体积最大的子节点进行切割，确定下一次切割的b个平面后，无关束剪枝，即保证每次搜索都搜索到b个最佳切割方案。最后选择最优的作为最终解。
其中对每一次切割进行评估基于下述目标函数。
3.Objective Function
3.1 number of parts
目标不是寻找切割的数量最少
Θ()是零件的OBB体积
Θ0是对初始模型估计的其OBB最小体积
因为打印区域是矩形，所以上式使得切割后的零件的OBB尽量小，即打印区域利用率尽量大
为避免切割出过小的零件，需要切割时切割的零件的体积恰好适合打印区域体积
3.2 Connector Feasibility
该目标的设计是为避免切割后，所需连接部分的面积过小，如左图的胳膊及头的部分，使得连接器无法安装的情况。
且避免后续切割的确定使得前面的切割器无法生效，如下图：
添加函数计算连接器可行性（针对上述情况1）：
对情况2，主要使用建立sphere判断连接器凹陷区域是否可以放在当前位置
此处不考虑不同连接器重叠情况，在4中考虑
3.3Structural Soundness
包括结构分析及易碎性检测
（1）结构分析
左图为初始切割，中图为应力分析，右图为考虑应力分布的切割
基于应力的考虑，通过下式计算切割的稳固性
（2）易碎性：
检测两种结构：fin & bridge
避免切割后出现P1,P2的特征
检测：切割平面上方存在一点P，其切平面与切割平面近似平行；两者间距离很小；从 P点做射线与模型除切割平面外没有其他交点（P4）
3.4 Aesthetics
（1）缝隙的隐蔽性
模型在切割后，各零件连接时会出现缝隙，为了美观，缝隙倾向于在纹理变化的位置，如上图右。
（2）切割的对称性
如上图，改进为右图的切割
4. Connector
对连接面均匀采样，通过模拟退火算法以及目标函数，确定连接器放置的位置，如下图所示：
目标函数（min）：
第一项计算不同连接器是否重叠，若重叠则不考虑
Ci是需要连接的平面的面积
ci是连接器的横截面面积，=
对于较大的连接平面，r= 20 * 连接器半径
对于较小的连接平面，r = 0.5*
对于任意两个连接器之间距离小于2r的，（连接器放置会出现重叠），减小连接器的半径，以保证两连接器之间的距离保持均匀分割r
实验部分及结论部分参照论文，不做赘述。
Thanks for reading！
Chopper: Partitioning Models into 3D-Printable Parts论文笔记相关推荐
- CubeSLAM: Monocular 3D Object SLAM 论文笔记
CubeSLAM: Monocular 3D Object SLAM 论文笔记 摘要 提出了一种静态和动态环境下单幅图像3D长方体目标检测和多视点目标SLAM的方法,并证明了这两个部分是相互促进的. ...
- 3d object是什么文件_[单目3D目标检测论文笔记] 3D Bounding Box Estimation
本文是3D Bounding Box Estimation Using Deep Learning and Geometry的论文笔记及个人理解.这篇文章是单目图像3d目标检测的一个经典工作之一.其目 ...
- PointAugmenting: Cross-Modal Augmentation for 3D Object Detection论文笔记
PointAugmenting: Cross-Modal Augmentation for 3D Object Detection(point-level fusion) CVPR2021 1.摘要+ ...
- CFT：Multi-Camera Calibration Free BEV Representation for 3D Object Detection——论文笔记
参考代码:暂无 1. 概述 介绍:在相机数据作为输入的BEV感知算法中很多是需要显式或是隐式使用相机内外参数的,但是相机的参数自标定之后并不是一直保持不变的,这就对依赖相机标定参数的算法带来了麻烦.如 ...
- Point Density-Aware Voxels for LiDAR 3D Object Detection 论文笔记
原文链接:https://arxiv.org/abs/2203.05662 1 引言 激光雷达的一个问题是产生的点云随距离变远而变得稀疏. 基于体素的方法忽略了点的密度,使用体素中心特征(左图):但对 ...
- 自监督医学图像Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis论文精读笔记
目录 Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis 背景 贡献 方法 总体框架 Learning ...
- 3D目标检测论文阅读摘要
3D目标检测论文阅读摘要 2D Object Detection 的研究已经非常成熟了,代表作品有RPN系列的FasterRCNN,One Shot系列的YOLOv1-YOLOv3,这里推荐一个2D ...
- Medical Diffusion - Denoising Diffusion Probabilistic Models for 3D Medical Image Generation
Medical Diffusion - Denoising Diffusion Probabilistic Models for 3D Medical Image Generation 论文链接:ht ...
- CVPR2019：无人驾驶3D目标检测论文点评
CVPR2019:无人驾驶3D目标检测论文点评 重读CVPR2019的文章,现在对以下文章进行点评. Stereo R-CNN based 3D Object Detection for Autono ...
最新文章
- 将ubuntu系统设置静态ip及ssh
- Keil uvision 5 MDK 安装教程
- 读取 classpath 资源
- python模块下载连接清华镜像的具体步骤_如何下载Pycharm开源版以及设置国内镜像源-百度经验...
- 女神节爆猛料！. NET程序员男女比例公布！
- 计算机在生物学研究领域的认识,阮晓钢——北京工业大学——主要研究领域涉及：控制科学与工程，人工智能与认知科学，机器人学与机器人技术，计算机应用技术，生物医学工程与生物信息学。...
- 三色标记原理，我给应聘者问懵了...
- Qt5学习笔记之零碎问题记录
- 使用rsync无密码传输
- NOIP2013普及组复赛第一题《计数问题》CA代码
- Allegro gerber文件路径设定
- cisco交换机-路由器配置命令
- Python打字练习程序
- java notfiy的用法_It's not until you fall that you fly是什么特殊用法吗？
- 如何将word转换成pdf?超实用的使用教程免费分享
- Ubuntu16.04LTS安装到移动硬盘，实现随插随用
- linux装回win10系统无法开机,ghost win10系统安装后无法启动怎么办
- Coding and Paper Letter（二十二）
- Python：tkinter Canvas 删除/清理元素方法
- Win10玩方舟生存进化崩溃怎么办？