Laplace–Beltrami operator
PulseAugur coverage of Laplace–Beltrami operator — every cluster mentioning Laplace–Beltrami operator across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架揭示3D人脸重建中的几何偏差
研究人员开发了一个新框架，用于识别和量化3D人脸重建模型中的几何偏差。通过使用Laplace-Beltrami算子分析表面曲率，该框架比传统的欧氏距离方法提供了更准确的误差图。实验揭示了3D可变形模型中与年龄相关的偏差，以及初步的性别和种族偏差证据，强调了需要进行感知曲率的评估以确保公平性和精确性。
-
揭示芬斯勒图神经网络用于高级几何近似
一篇新研究论文介绍了一种新的芬斯勒图神经网络架构，旨在克服现有图神经网络的局限性。这些新网络基于芬斯勒几何，为拉普拉斯-贝尔特拉米算子提供了一种非线性替代方案，目前该算子由图拉普拉斯算子近似。该论文证明了这些芬斯勒网络可以准确地恢复非线性扩散方程中的潜在几何结构。
-
新的SMAC框架监测4D点云中的形状和颜色
研究人员开发了一个名为SMAC的新框架，用于监测4D点云中的形状和表面颜色，4D点云同时表示几何和材料属性。这种无需配准的方法利用拉普拉斯-贝尔特拉米算子的谱属性来检测变形和颜色异常，而无需进行网格重建。一项关于功能梯度材料的模拟和案例研究表明，SMAC在识别细微缺陷和诊断其来源方面是有效的。
-
流形上的CNN在边界值问题中提高了精度
研究人员开发了新颖的卷积神经网络（CNN）方法，用于在紧致黎曼流形上近似函数和求解椭圆边值问题。这些方法展示了比标准方法更高的近似率，该近似率取决于流形的内在维度而非其环境维度，有助于克服维度灾难。提出的物理信息CNN（PICNN）框架通过引入谱边界损失来专门解决边值问题，与标准的物理信息神经网络（PINNs）相比，提高了精度、收敛性和稳定性。