基于拉伸特征的B-Rep→CSG转换算法及其应用

边界表示（boundary representation,B-Rep）法和构造实体几何（construction solid geometry,CSG）法是目前应用最广泛的两种实体表示法,B-Rep→CSG转换也备受关注。B-Rep→CSG转换算法为一种半空间分割法,完全依赖三维造型引擎中的布尔运算,计算量大且不稳定。实际应用中已有大量具有拉伸特征的B-Rep模型：可将整个模型或模型的一部分看作由二维图形沿一定方向拉伸而成。通过将三维模型的B-Rep→CSG转换问题变为二维图形的B-Rep→CSG转换问题,从而避免对布尔运算的依赖,为此,提出基于拉伸特征的B-Rep→CSG转换算法。首先,得到拉伸边具有相互平行性、首尾相连性、方向相反性、唯一连接性4个拉伸特征,然后,基于这些特征提出基于平行边连接图的拉伸特征识别算法,最后,结合拉伸特征识别算法、基于环收缩的模型分割算法和基于顶点可见的多边形分割算法,提出具有拉伸特征的三维模型的B-Rep→CSG转换整体解决方案。将本文算法集成至自主研发的粒子输运可视建模（COSINE visual modelling of particle transport,cosVMPT）软件,并基于cosVMPT对3个专门构造的例题和1个实际应用实例进行了测试,测试结果证明了本文算法的有效性和优越性。     

基于跨视角图像转换的地-空图像地理定位

图像地理定位任务的目标是对于给定的现实图像实现其地理位置的预测,在目前主流方法中,这种预测通过将输入图像与数据库中带有地理标签的图像进行匹配实现。由于缺乏全面的带有地理标签的地面图像,已有的数据库都是通过带有经纬度标签的卫星图像来建立的,而卫星图像相对于地面图像的巨大视角变化则给图像的匹配带来了挑战。本文提出了一种新的用于跨视角图像转换的条件生成对抗网络Crossview Attention Seq(CAS),使其生成由卫星图像转换得到的地面辅助信息。CAS由图像的语义分割信息达到了更好的生成效果,同时又通过模块中的空域注意力机制压制了转换的噪声。CAS所生成的转换信息与查询图像一起被输入到图像匹配框架当中,进行参数的优化和特征表示的学习。基于孪生网络模型搭建了新的图像匹配框架,并将新的损失函数结合到训练过程中,与传统三元组损失相比,它大大提升了模型整体优化的效果。实验结果表明,本文提出的方法在两个经典图像定位数据集上对比基线模型达到了更高的定位精度,并且对低信息量的数据具有更强的鲁棒性。