2020年中国科学技术大学《计算机图形学》本科课程笔记：Day2

树茴

于 2022-07-08 22:13:25 发布

阅读量404

点赞数

分类专栏：学习计算机图形学入门文章标签：机器学习算法人工智能

本文链接：https://blog.csdn.net/m0_51431440/article/details/125674029

版权

9 篇文章 0 订阅

订阅专栏

6 篇文章 4 订阅

订阅专栏

3 篇文章 0 订阅

订阅专栏

三次张量积多项式：（选取不高于3次的项）

张量积函数（不限于幂函数时）
多元函数的张量积定义优点：定义简单，多个一元基函数的乘积形式；
多元函数的张量积定义缺点：随着维度的增加，基函数个数急剧增加，导致变量急剧增加（求解系统规模急剧增加，求解代价大）
解决办法：多元函数的神经网络表达，用一个单变量函数 $\sigma (x)$ （称为激活函数）的不同仿射变换来构造“基函数”，使得基函数数目可控（节点数m要调节适当，不然多了过拟合，少了欠拟合），而神经网络深度越深能够让基函数数据的分布越来越散（广度大）从而使得更容易拟合好函数；
向量值函数： $f:R^{1}\rightarrow R ^{m}$ ,可看成x映射到了高维空间，空间的每一维均为一个x的函数，且各个函数独立无关（一般共享基函数）：
向量值函数的几何解释：

特例:参数曲面（流形：只是在三维中薄薄的一层，本质是2维平面映射上去的，即3维中的流形曲面本征维度为2维，只不过在3维中呈现出来.流形任何一个点的无穷小的区域等价于平面上的一个圆盘）
特例:二维映射（可看成z始终为0 的特殊曲面）
特例:三维映射
特例：降维映射（低维投影）（启发：如果AuotEncoder的中间层维度甚至小于本质维度，那么是不可能重建出原来的全部信息的，如人脸人们推测本质维度为64-128，可将中间维度设置为64或128，小于64结果会很差）
总结：
拟合问题与参数化问题的关系：

1、曲线拟合问题为下图，其中 $t_{i}$ 为参数

2、参数化问题，即找到高维数据的低维本征参数（ $_{}$ $t_{i}$ ），如下图：

曲线参数化方法：1、均匀参数化（固定开头点和尾部点的值，然后按中间点数均匀分配，并不考虑数据点的几何关系）2、弦长参数化（先求出总弦长，再按每个数据点距离第一个点的弦长比例分配每个点的位置）3、中心参数化；4、拟音参数化
曲面参数化：
参数化的应用：1、地图绘制（地理学）2、纹理隐射 3、

样条曲线=分段三次函数；
三次样条函数推导方法：
三次基样条求解方法：
样条函数的局限性：1、须有小扰度假定；2、不能处理多值问题；3、不能很好表达空间曲线；4、不能有坐标不变性（几何不变性）
解决办法：三次样条曲线
参数连续性（ $C^{-1}$ 表示不连续）
参数连续性的不足：参数连续性过于严格，会使得在几何设计中不太直观；（例子：一条直线，有时某一点的左导数右导数不相等有时又相等，原因：连续性依赖于参数的选择，同一条曲线，参数不同，连续阶也不同）
几何连续性：与参数选择无关
几何连续性的具体形式：