FlexPara： flexible neural surface parameterization
计算机视觉与模式识别
2025-11-18 v3
摘要
表面参数化是几何处理的基本任务，为3D资产的视觉呈现以及诸多后续形状分析场景奠定基础。传统参数化方法需要高质量的网格三角化，并且除非提供额外的表面切割和分解，否则受限于某些简单拓扑。在实际应用中，最佳配置（例如参数化域的类型、切口的分布、映射图的数量）会因不同的表面结构和任务特征而大相径庇，从而需要更灵活和可控的处理管道。为此，本文引入FlexPara，一个无监督神经优化框架，以实现全局和多图表面参数化，通过在3D表面点和自适应变形的2D UV坐标之间建立点级映射。我们巧妙地设计并组合一系列几何可解释的子网络，具有切割、变形、展开和包装的特定功能，以构建用于全局参数化而无需手动指定切口缝的双向循环映射框架。此外，我们构建了一个具有自适应学习图表分配的多图表面参数化框架。广泛的实验表明，我们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。代码将在https://github.com/AidenZhao/FlexPara公开。
引用
@article{arxiv.2504.19210,
title = {FlexPara: Flexible Neural Surface Parameterization},
author = {Yuming Zhao and Qijian Zhang and Junhui Hou and Jiazhi Xia and Wenping Wang and Ying He},
journal= {arXiv preprint arXiv:2504.19210},
year = {2025}
}
备注
Accepted by IEEE TPAMI