简介：Thispapergivesamethodofquantifyingsmallvisualdifferencesbetween3Dmeshmodelswithconformingtopology,basedonthetheoryofstrainfields.Strainfieldisageometricquantityinelasticitywhichisusedtodescribethedeformationofelastomer.Inthispaperweconsiderthe3Dmodelsasobjectswithelasticity.Thefurtherdemonstrationsareprovided:thefirstisintendedtogivethereaderavisualimpressionofhowourmeasureworksinpractice;andthesecondistogivereadersavisualimpressionofhowourmeasureworksinevaluatingfilteralgorithms.Ourexperimentsshowthatourdifferenceestimatesarewellcorrelatedwithhumanperceptionofdifferences.Thisworkhasapplicationsintheevaluationof3Dmeshwatermarking,3Dmeshcompressionreconstruction,and3Dmeshfiltering.

简介：Inmanyvideostandardsbasedoninter-framecompressionsuchasH.26xandMPEG,block-matchingalgorithmhasbeenwidelyadoptedasthemethodformotionestimationbecauseofitssimplicityandeffectiveness.Nevertheless,sincemotionestimationisverycomplexincomputing.Fastalgorithmformotionestimationhasalwaysbeenanimportantandattractivetopicinvideocompression.Fromtheviewpointofmakingmotionvectorfieldsmoother,thispaperproposesanewalgorithmSMVFAST.Onthebasisofmotioncorrelation,itpredictsthestartingpointbyneighboringmotionvectorsaccordingtotheirSADs.Adaptivesearchmodesareusedinitssearchprocessthroughsimplyclassifyingmotionactivity.AfterdiscoveringtheubiquitousratiobetweentheSADsofthecollocatedblocksintheconsecutiveframes,thepaperproposesaneffectivehalf-stopcriterionthatcanquicklystopthesearchprocesswithgoodenoughresults.ExperimentsshowthatSMVFASTobtainsalmostthesameresultsasthefullsearchatverylowcomputationcost,andoutperformsMVFASTandPMVFASTinspeedandquality,whichareadoptedbyMPEG-4.

简介：在量的大脑图象分析，从大脑的精确大脑织物分割磁性的回声图象(MRI)是关键步。是医药图象处理的地里的最重要、困难的问题被认为。先生图象的质量被部分卷效果，噪音，和紧张不同类影响，它使分割任务变为极其挑战性。我们在场为分割和大脑先生的偏爱地修正的一个新奇模糊c工具算法(RCLFCM)想象。我们采用一个新灰色差别的系数并且设计一个新影响因素测量邻居象素的效果，以便反噪音的坚韧性能被提高。而且，我们由增加偏爱域评价模型在图象克服紧张不同类并且同时分割大脑先生图象重新定义FCM(模糊c工具)的客观函数。我们也由把象素灰色值不同与它的会员相结合构造一个新空间函数，并且充分利用在象素之间的空格信息更新会员。与由与噪音和紧张不同类的不同层次在合成先生图象上使用类似精确性的另外的最先进的途径相比，建议算法与高精确性和坚韧性产生结果到噪音。

简介：一线性(q，，，m(n))局部地可译码的代码(LDC)C：\mathbbF{\mathbbF}n\mathbbF{\mathbbF}m(n)是从向量空间\mathbbF的线性转变{\mathbbF}n到空间\mathbbF{\mathbbF}每消息标志xi能与概率为被恢复的m(n)至少\frac1|\mathbbF|+e\frac{1}{{\left|\mathbb{F}\right|}}从由查询仅仅q的一个使随机化的算法的C(x)的+\varepsilonC放(x)，就算直到C的m(n)位置(x)被贿赂。在Dvir的一个最近的工作，为线性LDC降低界限的作者表演能为算术电路暗示更低的界限。他建议那证明界限更低因为在建筑群或真实的地上的LDC是为接近他的之一的一个好起点推测。我们的主要结果是m(n)=(n2)为在任何东西上的线性3质问LDC的更低的界限，可能无限，地。常数在(