CVPR2018三维表面重建AtlasNet: A Papier-Mach ˆ e Approach to Learning 3D Surface Generation

介绍了一种用于学习生成3D形状表面的方法。 将3D形状表示为参数化表面元素的集合，并且与生成体素网格或点云的方法相反，自然可以推断出该形状的表面表示。 除了新颖性之外，AtlasNet还具有显着的优势，例如改进的精度和通用化功能，以及生成任意分辨率的形状而不会出现内存问题的可能性。 与ShapeNet基准上用于两个应用程序的强大基准进行了比较：（i）自动编码形状，以及（ii）从静止图像进行单视图重建。 在其他应用中的潜力的结果，例如变形，参数化，超分辨率，匹配

1.介绍

在本文中，我们探索直接学习表面表示。 受表面正式定义为局部类似于欧几里德平面的拓扑空间的启发，我们试图通过将一组正方形映射到3D形状的表面来局部逼近目标表面。 使用多个这样的正方形可以使我们使用非磁盘拓扑来对复杂的表面进行建模。 因此，形状的表示与图集极为相似，正如我们将在第3节中讨论的那样。我们方法的关键优势在于，它可以共同学习形状的参数化和嵌入。 这有两个方面的帮助。 首先，通过确保我们的3D点来自2D正方形，我们倾向于学习连续且平滑的2流形结构。 其次，通过为每个3D点生成UV参数化，我们生成了全局表面参数化，这对于许多应用程序（例如纹理贴图和表面网格划分）是关键的。 确实，要生成网格，我们只需将规则的网格从2D正方形转移到3D表面，并生成规则的纹理图集，我们只需优化正方形的度量以使其对等距成为可能 3D形状

由于我们的工作将原始表面元素变形为3D形状，因此可以看作是弥合了学习将3D形状表示为一组简单的原始对象，具有固定的，少量参数的最新作品之间的差距[32] 将3D形状表示为一组非结构化点[9]。 它也可以解释为学习曲面的分解表示，其中，形状上的点由编码形状结构的矢量和编码其位置的矢量共同表示。 最后，可以看作是通过共享部分表面的网络参数，将卷积方法的强大功能用于3D生成2D图像的尝试[17，35]。
   我们的贡献。 在本文中：

•提出了一种称为AtlasNet的3D表面生成的新方法，该方法由可学习的参数化联合组成。 这些可学习的参数化将一组2D正方形变换到表面，以类似于在形状上放置纸条以形成纸浆机的方式覆盖它。  “转换”的参数既来自于学习的神经网络权重，又来自于对形状的学习表示。
•表明学习到的参数变换可以在任何地方局部地映射到曲面，自然适应其底层复杂性，可以以任何所需的分辨率进行采样， 并允许将镶嵌或纹理映射转移到生成的表面。

定性和定量地证明了从（可能是低分辨率）点云和2D图像生成高分辨率表面时该方法的优势•证明了该方法在多种应用中的潜力，包括形状插值，参数化和形状收集 对准。

总体而言，学习从非结构化和异构输入生成任意拓扑的表面仍然是一个挑战。

2.方法

3.实验

4.总结

我们介绍了一种为3D形状生成参数化曲面元素的方法。 我们已经展示了其在3D形状和单视图重建中的优势，其性能优于现有基准。 此外，我们已经展示了其对形状插值，查找形状对应关系和网格参数化的承诺。 我们的方法为3D形状的网格生成和合成打开了应用，类似静态图像生成

本文地址：https://blog.csdn.net/qq_32146369/article/details/107420749