用于保持细节的三维形变的神经笼

我们提出了一种用于保持细节的形状形变的可学习新表示。我们方法的目标是使源形状变形以匹配目标形状的总体结构，同时保留源形状的表面细节。我们的方法扩展了传统的基于笼的形变技术，其中源形状被一个称为“笼”的粗控制网格所包围，施加在笼顶点上的平移通过特殊的权重函数插值到源网格上的任意点。这种稀疏笼脚手架的使用使得无论形状多么复杂或具有何种拓扑，都能保留表面细节。我们的关键贡献是一种通过控制笼来预测形变的新型神经网络架构。我们在架构中引入了一个可微分的基于笼的形变模块，并端到端地训练我们的网络。我们的方法可以以无监督方式使用常见的三维模型集合进行训练，无需任何笼特定标注。我们展示了我们的方法在合成形状变体和形变迁移中的效用。