h1

000756574 001__ 756574
000756574 005__ 20250613095219.0
000756574 0247_ $$2HBZ$$aHT020018290
000756574 0247_ $$2Laufende Nummer$$a38035
000756574 0247_ $$2datacite_doi$$a10.18154/RWTH-2019-02557
000756574 037__ $$aRWTH-2019-02557
000756574 041__ $$aEnglish
000756574 082__ $$a004
000756574 1001_ $$0P:(DE-588)1182708196$$aGehre, Anne$$b0$$urwth
000756574 245__ $$a3D shape analysis based on feature curve networks$$cvorgelegt von Anne Gehre, M. Sc. RWTH$$honline
000756574 246_3 $$aAnalyse von 3D Modellen basierend auf Feature Kurven Netzwerken$$yGerman
000756574 260__ $$aAachen$$c2019
000756574 300__ $$a1 Online-Ressource (ix, 196 Seiten) : Illustrationen
000756574 3367_ $$02$$2EndNote$$aThesis
000756574 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000756574 3367_ $$2BibTeX$$aPHDTHESIS
000756574 3367_ $$2DRIVER$$adoctoralThesis
000756574 3367_ $$2DataCite$$aOutput Types/Dissertation
000756574 3367_ $$2ORCID$$aDISSERTATION
000756574 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000756574 4900_ $$aSelected topics in computer graphics
000756574 4900_ $$v18
000756574 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000756574 502__ $$aDissertation, RWTH Aachen University, 2019$$bDissertation$$cRWTH Aachen University$$d2019$$gFak01$$o2019-02-12
000756574 5203_ $$aFür die Analyse von 3D Modellen ist eine abstrakte Darstellung der Geometrie notwendig. Typischerweise geschieht dies über die Definition von lokalen Punkt-Deskriptoren oderglobalen Signaturen, welche die gesamte Geometrie beschreiben. Punkt-Deskriptoren sind sehr sensitiv bezüglich lokaler Änderungen (z.B. durch Rauschen), während globale Signaturen (abhängig vom Ziel der Analyse) dazu neigen, zu grob zu sein. Eine geeignete Oberflächendarstellung sollte demnach verschiedene Abstraktionsebenen umfassen, welche von einer geometrischen Punkt-basierten Beschreibung über eine topologische Zwischen-Ebene bis hin zu einer globalen Struktur des Objekts reichen. In dieser Dissertation werden wir zeigen, dass Netzwerke, die Feature-Kurven enthalten, Informationen auf verschiedenen Abstraktionsebenen umfassen und damit eine geeignete Repräsentation für die komplexe Aufgabe der Analyse von 3D Modellen darstellen. Feature-Kurven eines 3D Modells führen entlang auffälliger Linien (typischerweise Senken oder Hügelkämme). Die Berechnung dieser Kurven wurde in den vergangenen Jahren ausgiebig erforscht, und verschiedenste Richtungen wie etwa Layout-Techniken, Selbstregistrierungs-Methoden, oder Krümmungslinien-Verfolgung haben sich etabliert. Sie liefern eine abstrakte Repräsentation wichtiger Teile der Geometrie und umfassen topologische und global strukturelle Information über das Modell, sowie geometrische Details. Die geometrischen Details können zum Beispiel in Geometrieverarbeitungs-Algorithmen wie Oberflächen-Glättung oder Dezimierung ausgenutzt werden, bei welchen sich die geometrischen Entitäten entlang der Feature-Kurven ausrichten sollten, um hohe Qualität zu garantieren. Die abstraktere strukturelle Information gibt wichtige Hinweise, welche für die Analyse von 3D Modellen relevant ist. Automatisch berechnete Feature-Kurven-Netzwerke auf Rohdaten können diverse Defekte wie etwa Rauschen, Fragmentierung oder das Fehlen wichtiger Daten enthalten. Um sie für Anwendungen nutzbar zu machen, werden relevante Feature-Kurven benötigt mit geringer Fragmentierung und ohne fehlklassifizierte Kurven (z.B. durch Rauschen). Erste Ansätze, welche relevantere Kurven aus automatisch berechneten Feature-Kurven-Netzwerken extrahieren, fallen auf lokale Lösungen wie Glättung, Krümmungs-basiertes Unterdrücken oder Filtern zurück. Dadurch werden jedoch auch schwächere Kurven entfernt, welche potenziell wichtige Details enthalten. In dieser Arbeit kombinieren wir lokale (Krümmungsstärke, Länge, Parallelität, usw.) und globale (Symmetrie und Dichte) Relevanz-Maße, um bedeutungsvolle Feature-Kurven-Netzwerke aus potenziell verrauschten Rohdaten zu extrahieren. Während die geometrischen Daten dieser relevanten Feature-Kurven direkt genutzt werden können, ist die abstrakte strukturelle Information nicht einfach zugänglich. Allerdings wird letztere für die Analyse von 3D Geometrie benötigt. Deshalb stellen wir in dieser Dissertation Methoden vor, um Struktur aus Symmetrie, Wiederauftreten und Kurven-Template-Zugehörigkeit abzulesen, welche von Modell-Analyse Methoden verwendet werden kann. Zum Abschluss präsentieren wir einige Anwendungen, welche von relevanten Feature-Kurven-Netzwerken profitieren. Hierbei werden Bereiche der Geometrieverarbeitung (Glättung, Dezimierung) und Modell-Analyse (functional maps) abgedeckt.$$lger
000756574 520__ $$aFor high-level analysis of 3D shapes, we require an abstract representation of geometric data. Typically, this is achieved by developing descriptors on a local pointwise level or globally on the entire shape. Point based descriptors can be very sensitive to local changes of the shape (e.g. noise). In contrast, global descriptors tend to be too coarse, depending on the analysist ask. Hence, a desirable representation encodes different levels of abstraction, which range from a geometric point based description over intermediate topological information to high level structure and is flexible enough to be applied in various shape analysis tasks. In this thesis we show that networks consisting of feature curves are able to capture this information at various levels, and are therefore a well-suited representation for the challenging task of analysis of 3D shapes. Feature curves trace out salient creases and crests of 3D geometric data. Their computation has been studied intensively in the past and various directions such as patch layouts, slippage-based techniques, or crest line tracing have been established. They provide an abstract representation of salient parts of the geometry and contain topological and global structural information about the shape as well as geometric details. E.g., the geometric information can be exploited in low-level geometry processing tasks such as remeshing or smoothing, where geometric entities should align with surface features to obtain high quality output. In contrast, the more high-level structural information contained in the feature curve network provides important cues, which can be beneficial for the analysis of the geometric data. However, automatically computed feature curve networks on raw data can have various defects such as noise, fragmentation, or missing data. To make the feature curves applicable to downstream applications, we require a set of meaningful feature curves with low fragmentation and without misclassified feature curves (e.g. due to noise). First attempts to obtain a more relevant set of curves from the automatically computed feature curve networks resort to local solutions such as smoothing, filtering, or (curvature based) thre sholding of the curves. This however, also removes small-scale or weak feature curves from the network which might describe important details. In this thesis, we combine local (feature curve strength, length, parallelism, etc.) and global (density and symmetry) saliency measures to extract meaningful feature curve networks from raw potentially noisy input networks. While the pure geometric information from these meaningful feature curve networks can beused directly for downstream applications, the more high-level structural information is not aseasily accessible. However, for the analysis of the geometric data, more abstract information is required. Hence, in this thesis we present techniques to obtain structural information from symmetry, reoccurrence, and curve template membership, which can be exploited in shapeanalysis applications. Finally, we present several applications, which benefit from the use of meaningful feature curve networks. These range from low-level geometry processing (remeshing, smoothing) to high-level shape analysis (functional maps).$$leng
000756574 588__ $$aDataset connected to Lobid/HBZ
000756574 591__ $$aGermany
000756574 653_7 $$acomputational geometry
000756574 653_7 $$afeature curve networks
000756574 653_7 $$ashape analysis
000756574 7001_ $$0P:(DE-82)IDM00102$$aKobbelt, Leif$$b1$$eThesis advisor$$urwth
000756574 7001_ $$0P:(DE-82)679575$$aBen-Chen, Mirela$$b2$$eThesis advisor
000756574 8564_ $$uhttps://publications.rwth-aachen.de/record/756574/files/756574.pdf$$yOpenAccess
000756574 8564_ $$uhttps://publications.rwth-aachen.de/record/756574/files/756574_source.zip$$yRestricted
000756574 8564_ $$uhttps://publications.rwth-aachen.de/record/756574/files/756574.gif?subformat=icon$$xicon$$yOpenAccess
000756574 8564_ $$uhttps://publications.rwth-aachen.de/record/756574/files/756574.jpg?subformat=icon-1440$$xicon-1440$$yOpenAccess
000756574 8564_ $$uhttps://publications.rwth-aachen.de/record/756574/files/756574.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000756574 8564_ $$uhttps://publications.rwth-aachen.de/record/756574/files/756574.jpg?subformat=icon-640$$xicon-640$$yOpenAccess
000756574 8564_ $$uhttps://publications.rwth-aachen.de/record/756574/files/756574.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000756574 909CO $$ooai:publications.rwth-aachen.de:756574$$popenaire$$popen_access$$pdriver$$pdnbdelivery$$pVDB
000756574 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1182708196$$aRWTH Aachen$$b0$$kRWTH
000756574 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00102$$aRWTH Aachen$$b1$$kRWTH
000756574 9141_ $$y2019
000756574 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000756574 9201_ $$0I:(DE-82)122310_20140620$$k122310$$lLehrstuhl für Informatik 8 (Computergraphik und Multimedia)$$x0
000756574 9201_ $$0I:(DE-82)120000_20140620$$k120000$$lFachgruppe Informatik$$x1
000756574 961__ $$c2019-04-15T14:56:29.977783$$x2019-03-14T12:58:02.391903$$z2019-04-15T14:56:29.977783
000756574 9801_ $$aFullTexts
000756574 980__ $$aI:(DE-82)120000_20140620
000756574 980__ $$aI:(DE-82)122310_20140620
000756574 980__ $$aUNRESTRICTED
000756574 980__ $$aVDB
000756574 980__ $$aphd
000756574 980__ $$abook