ParaPoint：学习 3D 点云的全局自由边界曲面参数化
计算机视觉与模式识别
2024-03-18 v1
摘要
曲面参数化是一个具有丰富下游应用的基础几何处理问题。传统方法旨在处理由专业 3D 建模师精心制作的高质量三角剖分良好网格模型，因此无法满足当前普通 3D 数据爆炸式增长的处理需求。在本文中，我们寻求在非结构化 3D 点云上执行 UV 展开。在技术上，我们提出了 ParaPoint，这是一个无监督神经学习管线，通过在给定 3D 点与具有自适应变形边界的 2D UV 坐标之间建立逐点映射，实现全局自由边界曲面参数化。我们巧妙地构建了几个具有特定功能的几何意义子网络，并将它们组装成一个双向循环映射框架。我们还设计了有效的损失函数和辅助微分几何约束，用于优化神经映射过程。据我们所知，这项工作首次尝试研究同时追求全局映射和自由边界的神经点云参数化。实验证明了我们提出的学习范式的有效性和极具启发性的潜力。代码将公开发布。
引用
@article{arxiv.2403.10349,
title = {ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds},
author = {Qijian Zhang and Junhui Hou and Ying He},
journal= {arXiv preprint arXiv:2403.10349},
year = {2024}
}