Flatten Anything：无监督神经表面参数化

表面参数化在众多计算机图形和几何处理应用中发挥着 essential 作用。传统的参数化方法为设计用于高质量网格的工具专门3D模型师创建的，因此无法满足当前普通3D数据处理需求。此外，它们的工作机制通常仅限于特定简单拓扑，因而依赖于繁琐的手动预处理工作（例如，表面切割、部件分割）。本文提出了Flatten Anything Model(FAM)，一种无监督神经架构，用于通过学习目标几何表面上离散3D点的点态映射以及适应性变形的UV坐标在2D参数域内实现全局自由边界表面参数化。为模拟实际物理过程，我们巧妙地构建了具有特定功能的几何可解释子网络，用于表面切割、UV变形、unwrap和wrap，这些子网络组装成双向循环映射框架。与以前的方法相比，我们的FAM直接作用于离散表面点，而无需利用连接信息，从而显著降低了对网格质量的严格要求，甚至可适用于非结构化点云数据。更重要的是，我们的FAM是 fully-automated的，无需预切割即可处理高度复杂的拓扑，因为其学习过程适应性地找到合理的切口缝和UV边界。广泛的实验表明，我们提出的神经表面参数化范式具有普适性、优越性以及鼓舞人心的潜力。我们的代码已公开于https://github.com/keeganhk/FlattenAnything。