@misc{10481/106333,
year = {2025},
url = {https://hdl.handle.net/10481/106333},
abstract = {La presente tesis doctoral aborda el problema de la reparación de mallas 3D mediante
técnicas de deep learning, con el objetivo de mejorar la reconstrucción de modelos tridimensionales
incompletos. La digitalización 3D, a través de escáneres o fotogrametría, es ampliamente
utilizada en diversas aplicaciones como la conservación del patrimonio, la impresión
3D y la realidad aumentada. Sin embargo, estos métodos suelen generar modelos con imperfecciones
y zonas faltantes, lo que compromete su calidad y usabilidad.
Para enfrentar este desafío, a lo largo de este trabajo se proponen varias soluciones incrementales
consistentes en representar la geometría del modelo como una imagen bidimensional
y aplicar una metodología basada en redes neuronales para inferir la forma faltante.
Posteriormente, la superficie reconstruida es proyectada en el espacio tridimensional, generando
un modelo corregido y fiel al objeto original.
La primera aproximación permite la representación de la superficie del modelo como
una imagen que codifica su curvatura y aprovecha la creatividad de las redes neuronales genéricas
para predecir los píxeles ausentes. Mediante intervención manual, se selecciona una
restauración y se realiza un proceso de deformación para adaptar la curvatura inferenciada
sobre la superficie del modelo tridimensional y recuperar la región perdida.
A partir de esta primera aproximación, el núcleo de esta propuesta es el desarrollo de
SR-CurvANN, un método completamente automático que integra técnicas de inpainting
de imágenes junto con técnicas geométricas avanzadas para la reconstrucción de superficies
complejas. Los experimentos realizados han demostrado que SR-CurvANN supera a los
métodos tradicionales en términos de precisión y coherencia geométrica, lo que proporciona
reproducciones más detalladas y visualmente naturales.
Esta memoria concluye, mediante el análisis los resultados obtenidos, que la combinación
de inteligencia artificial y modelado geométrico es posible y supone un avance en el
campo de la reparación de modelos 3D.},
organization = {Tesis Univ. Granada.},
organization = {Ministerio de Ciencia, Innovación y Universidades con los proyectos PID2020-119478GB-I00 y TED2021-132702B-C21, financiados por MCIN/AEI/10.13039/501100011033},
organization = {Fondo Europeo de Desarrollo Regional (ERDF)},
publisher = {Universidad de Granada},
title = {Técnicas Deep Learning para la Reparación de Mallas 3D},
author = {Hernández Bautista, Marina},
}