计算机辅助设计与图形学学报杂志

计算机辅助设计与图形学学报杂志2020年第8期

• 高效可靠的边界层网格分块层进生成算法

  曹杰, 赵铭伟, 余飞, 昌继海, 关振群

  为了提高复杂3D外形的边界层网格生成速度,提出一种基于离散中轴面的前沿分块层进算法.以闭合的边界三角形网格作为输入,在内部生成只含边界点的约束Delaunay三角化背景网格,聚集所有四面体的外心构成离散的中轴面.根据边界面片离中轴面的距离,将边界面片分为2类:快速推进的开阔区域面片和逐层推进的狭窄区域面片.在Intel Xeon X5650 CPU的单核上对NASA通用研究模型的边界层网格剖分结果表明,该算法的剖分效率是传统层进法或膨胀法的10倍以上,且完成106量级边界面片的分块只用了若干秒.

• 卧室光源亮度的自动优化算法

  豆雨桐, 宋佩华, 刘畅, 贾金原

  室内光源亮度调节得好坏对室内设计及最终渲染效果会产生重要的影响,通常需要专业人士费时费力地手工调整.为此,提出了一种卧室光源亮度的自动调优算法.首先,在二维图像灰度熵的基础上进一步给出了三维光照熵的定义,以此作为评价三维卧室光源亮度优劣的数学模型;然后,利用模拟退火算法来求解卧室的最大光照熵值,从而得到光源的最优亮度值;最后,借助于Google AI采用的神经图谱(NIMA)图像美观度评估算法,验证了所提算法的正确性与有效性.该基于最大光照熵的光源的亮度自动调优算法也适用于客厅、餐厅等室内场景灯光亮度的设定与自动调优.

• 多级层次三维卷积神经网络的牙颌模型分割与识别技术

  田素坤, 戴宁, 袁福来, 张贝, 俞青, 程筱胜

  牙齿分割是计算机辅助口腔正畸治疗的重要技术.针对传统牙齿分割方法因交互操作复杂、手工干预程度高导致分割效率和精度较低的问题,提出一种基于多级层次三维卷积神经网络的牙颌模型自动分割与识别方法.首先利用基于哈希表的八叉树稀疏表达模型对牙颌模型进行标签化预处理;然后采用构建的Level-1网络和Level-2网络,分别实现普通牙齿间类别和高相似度牙齿间类别的区分;最后采用基于深度卷积特征的多级层次分割网络实现牙齿与牙龈以及牙齿间的分割,并利用条件随机场模型对龈缘区及齿间接触区的局部细节特征进行建模与优化.实验结果表明,在自行采集的牙齿数据集上的牙齿识别准确率均维持在0.858以上,单颗牙齿的分割准确率为0.898,与同类分割方法对比,验证了层次特征学习方法具有较高的准确率和鲁棒性,适用于各种不同程度畸形牙患者的牙齿分割,在计算机辅助口腔治疗诊断中具有巨大的应用潜力.

• 融合排序与回归的卷积神经网络用于表情强度估计

  韩加旭, 徐如意, 陈靓影

  表情强度估计是面部表情分析的重要组成部分,是实现人机自然情感交互的关键技术.表情强度估计面临的主要挑战在于缺乏大量的有标签数据,难以通过有监督的方法来估计表情强度.尽管基于排序的方法能够解决这一问题,但是排序方法只能估计表情的相对强度,无法估计表情的绝对强度.为了解决上述问题,提出了一种融合排序与回归的卷积神经网络用于表情强度估计.其中,排序卷积神经网络采用孪生网络结构,用于学习序列中任意两帧图像的相对强弱关系;孪生网络的每一个子网采用回归卷积神经网络,用于学习有强度标签的样本,从而估计表情的绝对强度.为了验证方法的有效性,在公共数据集PAIN和CK+上进行了实验.实验结果表明,提出的方法在弱监督的条件估计表情强度的各项结果(PAIN数据集上PCC,ICC和MAE分别为0.6551,0.5293和0.9241,CK+数据集上PCC,ICC和MAE分别为0.7391,0.7216和0.1875),均优于现有的方法.

• 基于深度强化学习的多模态医学图像配准

  姚明青, 胡靖

  传统图像配准方法中,图像特征的表示和相似性测度的选择易受到人为因素的影响,不能准确地表征图像特征和配准图像的相似度,从而对配准结果产生较大误差.针对此问题,借助端到端的强化学习方法,对这2个部分进行隐式的表达,从而避免人工设计的缺陷.具体而言,设计了一个人工智能体模型,由策略网络和价值网络2部分组成,用以指导浮动图像朝着参考图像的方向正确移动,进而实现图像配准.提出使用异步表演者-评论家方法进行模型训练,以避免经验回放操作,降低模型训练对存储容量的要求并加快模型的收敛;同时提出一种奖赏函数,能够给予每个时间步上图像配准动作估计更为准确的奖励.此外,在测试阶段,使用了蒙特卡罗前向推理策略,进一步提高配准参数的准确性.在MR和CT的临床医学图像配准数据集上进行实验,与传统基于尺度不变性配准算法、基于深度学习配准算法等进行对照分析,实验结果表明,所提出的方法目标配准误差可以减少30%左右,同时能够更好地处理具有大幅度形变的配准问题.

• 自适应深度残差椒盐噪声滤除算法

  邓森, 徐进轩, 梁鹿鸣, 杨珉, 谢浩然, 王富利, 汪俊, 魏明强, 郭延文

  为了在去除图像中椒盐噪声的同时最大程度地避免产生色彩失真与边缘模糊等瑕疵,提出基于深度残差网络的椒盐噪声自适应滤除算法.将图像去噪分解为2步.首先,为了让网络模型能够处理不同尺度密度的椒盐噪声,提高网络模型的鲁棒性,先对图像进行自适应预处理以去除高频信息;其次,构建深度残差网络模型,训练出能将预处理后的图像映射到干净图像的函数.大量实验结果表明,文中算法不仅在保留图像边缘细节和去除高密度椒盐噪声方面均优于传统和基于机器学习的椒盐噪声去除技术,可有效地避免出现色彩失真和条纹等瑕疵.同时,其在BSD300数据集上去噪效果优于其他算法.

• 通道互注意机制下的部位对齐行人再识别

  陈巧媛, 陈莹

  由于视角和行人姿态的变化、遮挡以及非手工行人框的误差等因素,同一行人的不同图像差异较大,给行人再识别课题的研究带来了极大挑战.为提高行人姿态变化下的行人再识别性能,提出通道互注意机制下的部位对齐行人再识别网络.首先,行人图像通过2个子网络,分别提取行人的外观特征和部位特征;然后设计一个通道互注意模块,通过挖掘行人部位特征通道间的互相关系,优化部位特征在通道维度上的权重;最后,将优化后的行人部位特征和外观特征通过双线性池化进行特征融合.在3个大规模公开数据集上的实验结果表明,通道互注意机制能有效优化部位特征,所设计的部位对齐网络具有抗姿态变化和背景干扰的能力.在Market-1501,DukeMTMC-reID和CUHK03数据集上Rank-1/mAP分别达到93.9%/90.6%,87.6%/83.3%和70.4%/72.8%,优于其他现有方法.

• 群稀疏残差约束的引导字典学习算法及其单幅图像去雨

  汤红忠, 刘婷, 曾淑英, 张东波

  为了更有效地进行单幅图像去雨,提出一种群稀疏残差约束的引导字典学习算法.该算法特点在于利用混合高斯模型从自然图像中学习外部字典,面向有雨图像构建了基于外部字典引导的内部字典学习模型,并将内部字典的低秩性增加到字典学习目标函数中.该模型可以有效地利用自然图像与有雨图像先验知识之间的互补性,有助于同时恢复潜在稀疏的与稠密的图像细节.其次,基于图像的非局部自相似准则,利用群结构稀疏表示确保了相似图像块的编码系数尽可能接近,并对该模型引入残差约束,可有效地提高学习字典的重构能力与泛化能力.实验结果表明,在合成图像与真实图像上与其他算法相比,使用所提算法去雨后的图像具有更丰富的细节信息,图像更清晰,大大改善了整体视觉效果.

• 复合变异系数与梯度加权方向滤波的睫毛检测

  叶学义, 陈妍婷, 季毕胜, 王鹏

  针对目前睫毛检测中漏检以及检测精度与时间难以兼顾等问题,提出了复合变异系数与梯度加权方向滤波的睫毛检测算法.首先设计变异系数判别准则确定睫毛遮挡区域,再以最小类内变异系数法完成睫毛根部检测,然后结合多尺度复合窗及梯度向量加权投影判断睫毛尾部方向,最后利用动态方向滤波器完成低对比度且方向多样的睫毛尾部检测.在CASIA-IrisV1和CASIA-IrisV3-Interval公开数据库上,与传统基于Gabor滤波和区域灰度方差检测算法、基于眼睑轮廓和局部灰度极小值检测算法以及基于形态学运算的检测算法进行对比实验,结果表明所提算法的主观准确率(检测结果与人工标记结果重合度)、检测时间(算法复杂度分析)、睫毛漏检率(false eyelash-detection rate,FER)和睫毛误检率(false non-eyelash-detection rate,FNER)等评价指标均优于其他对比算法,并且具有较强的鲁棒性.

• 基于卷积金字塔的屏蔽泊松方程快速求解算法

  金剑秋, 杨文武, 宋超, 刘春晓

  屏蔽泊松方程在图像视频处理和图形学领域有着广泛应用,传统上一般借助离散余弦变换或快速傅里叶变换求解,计算复杂度为O(nlogn).提出了一种基于卷积金字塔的快速近似求解算法,将屏蔽泊松方程求解视为一个“大核”卷积过程,利用卷积金字塔,将“大核”卷积分解为若干个“小核”卷积,从而将计算复杂度改善至线性.实验发现,在图像无缝拼合和梯度域绘制的应用中,对于千万像素级别图像,所提算法能获得5~6倍的性能提升.进一步,屏蔽泊松方程求解也是许多图像迭代算法的中间步骤,以加权最小二乘图像光滑和基于总变差正则化的图像重建算法为例,运用所提算法,在视觉效果和均方误差上都有着很好的近似,在速度上有显著的提升.

• 基于注意力机制的单阶段目标检测锚点框部件感知特征表达

  唐乾坤, 胡瑜

  针对现有单阶段目标检测算法锚点框特征表达不足影响检测精度的问题,提出了一种增强锚点框特征表达的算法,其包含注意力机制模块和部件感知模块.首先,注意力机制模块根据各个锚点框的不同属性自适应地提供不同的特征表达.然后,部件感知模块准确地提取各个锚点框内部的判别性部件特征以作为各个锚点框进行预测所需的特有特征.将所提设计与现有SSD算法结合并在多个公开的目标检测数据集上进行实验,结果表明,所提算法能够显著提高单阶段目标检测算法的精度并维持实时运行速度(14 ms);进一步地,在扩展实验上的结果表明,所提算法也能够改善生成的区域建议框的召回率及两阶段目标检测算法的精度.

• 单目交通场景下基于自标定的车辆三维信息识别算法

  唐心瑶, 宋焕生, 王伟, 张朝阳, 崔华

  获取车辆的三维信息作为车型精确分类的依据,已成为当前越来越重要的研究方向,但交通场景中的监控相机大多为单目相机,由于透视因素无法直接获取车辆位姿、车辆轮廓尺寸等三维信息.针对上述问题,提出单目交通场景下基于自标定的车辆三维信息识别算法,首先根据典型的交通场景,建立单目相机的摄像机模型以及较稳定的单消失点标定模型,完成摄像机标定;接着使用深度学习卷积神经网络中的YOLO模型对交通场景中的车辆进行二维目标检测.在此基础上,提出对角线和消失点约束的非线性优化求解算法,结合标定信息完成车辆的三维信息识别及最佳三维目标检测.在公开数据集BrnoCompSpeed和实际高速公路场景进行了实验,实验结果表明,该算法在多种交通场景下均能有效识别车辆三维信息,平均识别准确率超过90%.

• 基于注意力机制的深度学习路面裂缝检测

  曹锦纲, 杨国田, 杨锡运

  为实现自动准确地检测路面裂缝,提升路面裂缝检测效果,提出了一种基于注意力机制的裂缝检测网络(attention-based crack networks,ACNet).该网络采用编码器-解码器网络构架,编码器采用ResNet34为骨干网,提取路面裂缝特征;在编码器和解码器间加入基于注意力机制的特征模块(attention-based feature module,AFM),以利用全局信息和增加对检测不同尺度裂缝的鲁棒性,更好地提取裂缝特征和定位裂缝位置;在解码阶段也引入注意力机制,设计了基于注意力机制的解码模块(attention-based decoder module,ADM),实现对裂缝的准确定位.在公共裂缝数据集CFD和CRACK500上,与U-Net等其他8种方法进行了比较,结果表明,ACNet裂缝检测效果更理想,在主观视觉上,裂缝定位更准确,细节更丰富;在实验指标F1和重合率上,检测结果都有明显提升,说明了该网络的有效性.

• 图像上梯度相关的优化问题快速算法

  耿凡禺, 张举勇

  针对图像处理中目标函数为对图像梯度的约束,形式为正则项与保真项之和的优化问题,提出了一种对该优化问题的变形形式,并给出了基于交替方向乘子法(alternating direction method of multipliers,ADMM)的优化算法进行求解.在约束条件下采用每个图像中的最小单元上的分段式,使得在每步迭代中的每个子问题可以分化为在每个最小单元上的二元优化问题,从而可直接获得优化问题的最优解.所提出的优化形式与优化算法可以控制每步迭代的时间复杂度在O(N),其中N为优化问题在该图像区域中最小单元的个数,还可进一步根据图像的分割进行并行化.文中给出了2个图像上比较经典的优化问题:L0模优化问题和Poisson图像编辑的优化算法.与现有的基于迭代算法相比,文中算法在达到相似结果的同时,可具有更快计算速度与更小的内存消耗.

• 部分哈达玛矩阵分段弱正交匹配追踪算法

  贺绍琪, 崔建峰, 史文武, 申飞, 马铁华

  为解决分段弱正交匹配追踪算法在测量过程中难以获得高精度重构信号的问题,首先对以高斯矩阵为测量矩阵的传统SWOMP算法进行了分析,指出问题的关键在于高斯矩阵列相干性过大会影响残差信号的匹配过程,从而导致部分信号丢失,使重构精度下降;然后,根据分析提出了一种基于部分哈达玛矩阵的分段弱正交匹配追踪(PH-SWOMP)算法,其中部分哈达玛矩阵根据偶数行抽取原则进行构造,可以显著降低测量矩阵的互相关性;最后,通过与传统SWOMP算法的图像重构对比仿真实验对PH-SWOMP算法性能进行了验证,其中传统SWOMP算法分别选取高斯矩阵、托普利兹矩阵等4种矩阵作为测量矩阵.仿真结果表明,在相同条件下,相比于传统SWOMP算法,PH-SWOMP算法信噪比最大提高了53.95%,相应的重构时间缩短了15.41%,具有更小的恢复残差以及更高的信号重构成功率.

• 拓扑优化变密度法的灰度单元分层双重惩罚方法

  廉睿超, 敬石开, 何志军, 史泽芳

  在连续体结构拓扑优化中,应用敏度过滤法可有效地去除数值不稳定问题,但易出现优化结构边界灰度扩散现象.为了获得边界清晰的拓扑结果,提出一种变密度法的灰度单元分层双重惩罚方法.该方法通过调节不含敏度过滤的SIMP优化算法中的惩罚因子,对过滤后单元敏度进行修正,加速中间密度单元向0或1的离散状态逼近.为了加快这个过程,将该方法与分层网格细分策略相结合,优化从一个粗的有限元网格开始,利用单元密度等效映射方法将粗网格求解优化问题的结果映射为同一问题具有更细网格的初始输入,通过减少优化过程中的计算消耗,在取得具有清晰边界拓扑结构的同时提升优化过程的收敛速率.采用不同方法求解MBB梁,对最终优化结构中所含的中间密度单元数量和优化所需时间消耗进行对比;利用不同网格划分下的悬臂梁算例验证该方法的网格依赖性.结果表明,结合分层双重惩罚的SIMP算法在保留原始求解稳定性的同时,能获得具有清晰边界的拓扑构型,并提升收敛速率.

• 基于随机森林的X值输入灵敏度预测方法

  应健锋, 梁华国, 江悦, 蒋翠云, 李丹青, 黄正峰

  随着基于模块化的电路设计变得越来越复杂,未初始化的时序单元、设计中的黑盒、时钟域交叉以及模数转换器的错误行为等原因会导致电路中出现未知的逻辑值(X),降低电路测试集的测试覆盖率.为了快速确定电路中X值输入对测试覆盖率的影响,提出了一种基于机器学习的方法来预测X值输入的灵敏度.首先通过拓扑算法计算电路的各项基础结构参数;然后对电路进行区域划分,提取特定的电路特征参数作为原始数据集;最后利用随机森林模型对所有电路中得到的数据集进行训练和预测.实验选择ISCAS’89和ITC’99中的部分电路作为数据集来源,与现有的预测方法相比,该方法总体预测准确率达到90.27%,提高了14.69%,大型电路预测准确率达到93.32%,提高了19.49%.实验结果表明,该方法具有更高的准确率和更好的泛化能力.