El reensamblaje de fracturas vuelve a componer los fragmentos de un objeto fracturado en su forma original. Es una tarea indispensable para la preservación de artefactos, el archivo del patrimonio digital y visión por computador.
El conjunto de datos de Breaking Bad contiene más de un millón de objetos fracturados. Crédito de la imagen: arXiv:2210.11463 [cs.CV]
Recientemente, los investigadores han introducido el concepto de los modos de fractura de un objeto, que corresponden a la forma más geométricamente natural de romperse de una forma.
Un artículo reciente en arXiv.org va más allá y presenta Breaking Bad, un conjunto de datos de objetos fracturados a gran escala. Se recopilan modelos base de conjuntos de datos de ensamblaje existentes y se aplica el algoritmo de simulación de fracturas a cada uno. El conjunto de datos consta de un conjunto diverso de formas, como objetos cotidianos, artefactos y objetos utilizados en videojuegos, y 100 patrones de fractura únicos por modelo base. Los investigadores analizan Breaking Bad con varias medidas geométricas y comparan varios modelos de aprendizaje profundo de última generación.
Presentamos Breaking Bad, un conjunto de datos a gran escala de objetos fracturados. Nuestro conjunto de datos consta de más de un millón de objetos fracturados simulados a partir de diez mil modelos base. La simulación de fractura está impulsada por un algoritmo reciente basado en la física que genera de manera eficiente una variedad de modos de fractura de un objeto. Los conjuntos de datos de ensamblaje de formas existentes descomponen objetos de acuerdo con partes semánticamente significativas, modelando efectivamente el proceso de construcción. Por el contrario, Breaking Bad modela el proceso de destrucción de cómo un objeto geométrico se rompe naturalmente en fragmentos. Nuestro conjunto de datos sirve como punto de referencia que permite el estudio del reensamblaje de objetos fracturados y presenta nuevos desafíos para la comprensión de formas geométricas. Analizamos nuestro conjunto de datos con varias medidas de geometría y comparamos tres métodos de aprendizaje profundo de ensamblaje de formas de última generación en varios entornos. Los extensos resultados experimentales demuestran la dificultad de nuestro conjunto de datos, lo que requiere futuras investigaciones en diseños de modelos específicamente para la tarea de ensamblaje de formas geométricas. Alojamos nuestro conjunto de datos en esta URL https.
Artículo de investigación: Sellán, S., Chen, Y.-C., Wu, Z., Garg, A. y Jacobson, A., “Breaking Bad: A Dataset for Geometric Fracture and Reassembly”, 2022. Enlace: https://arxiv.org/abs/2210.11463
