3DN：3D 形变网络
计算机视觉与模式识别
2019-03-11 v1
摘要
虚拟现实和增强现实中的应用产生了快速创建和便捷获取大量 3D 模型的需求。解决这一需求的有效方法是根据参考（例如极易获取的 2D 图像）来编辑或形变现有的 3D 模型。给定这样的源 3D 模型以及可作为深度扫描获取的 2D 图像、3D 模型或点云等目标，我们引入了 3DN，这是一种将源模型形变以使其类似于目标的端到端网络。我们的方法在保持源模型网格连接性固定的同时，推断逐顶点偏移位移。我们提出了一种训练策略，该策略使用一种新颖的可微操作，即网格采样算子，将我们的方法推广到具有不同网格密度的源模型和目标模型。网格采样算子可以无缝集成到网络中，以处理具有不同拓扑的网格。定性和定量结果表明，与最先进的基于学习的 3D 形状生成方法相比，我们的方法生成了质量更高的结果。代码可在 github.com/laughtervv/3DN 获取。
引用
@article{arxiv.1903.03322,
title = {3DN: 3D Deformation Network},
author = {Weiyue Wang and Duygu Ceylan and Radomir Mech and Ulrich Neumann},
journal= {arXiv preprint arXiv:1903.03322},
year = {2019}
}