机器之心报道

参与：小舟、Racoon

与使用预先设定的光滑prior不同，这篇SIGGRAPH论文使用CNN自动生成prior，准确建模细粒度特征的同时过滤噪声与异常值。

近日，来自以色列特拉维夫大学的研究者提出了一种从输入点云重构曲面网格的技术——Point2Mesh。与之前方法需指定一个用于编码期望形状的prior不同，该研究使用输入点云来自动生成prior，并称其为self-prior。该self-prior将重复出现的几何形状由单一形状封装在深度神经网络的权重之中。

研究者对网络权重进行优化，使得初始网格变形，以收缩包覆（shrink-wrap）单个输入点云。由于共享的局部内核被用来拟合整个物体，因此考虑到了整个重构的形状。将多个卷积核在整体形状上进行全局优化，从而鼓励了局部尺度在形状曲面上的几何自相似性。

研究者展示了，与预先设置的平滑prior（经常陷入不佳的局部最优）相比，使用self-prior收缩包覆点云能够收敛至令人满意的结果。传统的重构方法在非理想条件下性能会恶化，并且如非定向法线，噪音和部件缺失（低密度）等情况在现实世界的扫描里经常出现，而Point2Mesh在非理想条件下具有一定的鲁棒性。研究者在大量不同复杂度的各种形状上验证了Point2Mesh的性能表现。

论文

转载请注明:http://www.aideyishus.com/lkyy/1206.html