Toward Ubiquitous 3D Object Digitization: A Wearable Computing Framework for Non-Invasive Physical Property Acquisition

精确地数字化物理物体对许多应用至关重要，包括虚拟/增强现实、工业设计和电子商务。先前的研究已经证明了对物体几何形状和视觉外观的高效和忠实重建，这足以数字化刚性物体。相比之下，物理属性，如弹性和压力，对数字化可变形物体的行为保真度也是不可或缺的。然而，现有的获取这些量的方法要么依赖于侵入性标本采集，要么依赖于昂贵/笨重的实验室设置，使它们无法应用于消费级别的使用。 为了填补这一空白，我们提出了一个可穿戴和非侵入性的计算框架，允许用户通过手指触摸方便地估计可变形物体的材料弹性和内部压力。这是通过将它们的局部表面建模为加压弹性外壳，并从手指诱发的皱纹模式中分析地推导出两个物理属性来实现的。与摄影测量重建的几何形状和纹理一起，这两个估计的物理属性使我们能够忠实地复制几个可变形物体的运动和变形行为。在压力估计方面，我们的模型实现了3.5%的相对误差。在交互实验中，虚拟-物理变形差异小于10.1%。进一步将其推广到不规则形状的物体中，进一步展示了我们的方法在实际应用中的潜力。我们预计这项工作将为以及激励研究，以民主化日常、工业和科学场景中我们物理环境的普遍数字化提供见解。

提出一种便携式、非侵入式的计算框架，通过手指触摸来方便地估计可变形物体的材料弹性和内部压力，以填补现有方法的空白

将物体的局部表面建模为加压弹性外壳，并从手指引起的皱纹模式中分析地推导出两个物理属性，即材料弹性和内部压力

模型的压力估计达到了相对误差3.5%；在交互实验中，虚拟-物理变形差异小于10.1%；研究还展示了方法在不规则形状物体上的泛化能力

最近的相关研究包括“基于触觉反馈的可变形物体形状和材料属性估计”、“基于光学流的物体形变和材料属性估计”等