SIGGRAPH 论文：使用 CNN 自动生成 prior 从输入点云重构曲面网格

SIGGRAPH 论文：使用 CNN 自动生成 prior 从输入点云重构曲面网格

机器心脏报告

参加者：小舟、

与使用预设的平滑优先级不同，本文使用CNN自动生成优先级，对细粒度特征进行精确建模，同时过滤噪声和异常值。

最近，以色列特拉维夫大学的研究人员提出了一种从输入点云重建表面网格的技术。与之前需要指定优先级来编码所需形状的方法不同，本研究使用输入点云自动生成优先级，这称为自优先级。这种自先验将重复出现的几何形状封装在深度神经网络权重中的单个形状中。

研究人员优化了网络权重，使初始网格变形，从而收缩包裹 (-wrap) 单个输入点云。由于共享局部内核用于拟合整个对象，因此会考虑整个重建形状。多个卷积核对整体形状进行全局优化，从而促进形状表面上局部尺度的几何自相似性。

研究人员表明，与预设的平滑优先级（通常陷入较差的局部最优）相比，使用自先验的收缩包裹点云可以收敛到令人满意的结果。传统重建方法在非理想条件下性能恶化，现实世界扫描中经常出现法线无方向、噪声、缺失部分（低密度）等情况，在非理想条件下它们具有一定程度的鲁莽性。理想的条件。很棒的性爱。研究人员已经验证了大量不同复杂性形状的性能。

论文地址：

地址：

项目页面：

概述

它是一种从输入点云重建表面网格的技术。该方法从单个对象中学习，通过优化卷积神经网络 (CNN) 的权重来使一些初始网格变形，以收缩包裹输入点云：

优化后的卷积神经网络权重充当对所需形状属性进行编码的优先级，研究人员将其称为自先验。

该方法能够正常工作的前提是形状不是随机的并且在多个尺度上具有很强的自相关性。

自先验的核心是卷积神经网络的权重共享结构，其本身可以对重复出现且相互关联的结构进行建模，因此对噪声、异常值等非重复几何形状不是很敏感。

具体来说，通过优化卷积神经网络的权重并不断迭代使初始网格变形以收缩包裹给定的输入点云X（示例如图8所示），重建一个无懈可击的网格（mesh）。正常形状在尺度上具有很强的自相关性，并且经常重复出现细粒度（细）细节，而噪声是随机且不相关的。这使得在消除噪声的同时重建重复出现的细粒度细节成为可能。

图6显示，self-prior可以消除甲龙背部和尾部重复出现的脊上的不规则凸起，但保留了颈部的细粒脊。

图 6：输入点云是从（真实）网格采样的，添加了噪声和缺失区域。

另外，注意图2和图7中的self-prior如何补全缺失的部分，并与整体形状的特征保持一致。

图 2：使用先验平滑从缺失区域的点云重建完整的网格，这会忽略整体形状特征。

图 7：利用自相似性更好地重建拱顶缺失的一半。

图4显示了该方法的总体框架。

图 4：l 层框架概述。

实验

研究人员通过一系列涉及缺失区域、噪声、具有挑战性的空隙和其他形状的定性和定量实验验证了其适用性。研究人员使用来自 [Choi 等人，2017] 的真实扫描物体对所提出的方法进行了定性分析。 2016]和3D激光扫描仪。我们提供了从真实网格表面采样的点云的附加结果和定量实验。这些网格数据集包括：[Zhou 和 2016]、COSEG [Wang 等人。 2012]，TOSCA 高-[等人。 2006]和[等人。 2013]。

图 12：估计法线的重建结果。

图 13：真实扫描重建。

表1：形状降噪效果对比（F值越大越好）。

图 14：噪声比较的定性结果。

表 2：形状完成结果比较（F 分数越高越好）。