PoNQ：一种基于神经 QEM 的网格表示
计算机视觉与模式识别
2024-03-20 v1
摘要
尽管多边形网格一直是几何处理中的标准表示，但其不规则和组合的性质阻碍了其在基于学习的应用中的适用性。在这项工作中，我们通过一组局部 3D 采样点及其相对于底层形状的相关法线和二次误差度量（QEM）引入了一种新颖的可学习网格表示，我们将其记为 PoNQ。通过有效利用局部二次误差的知识，可以直接从 PoNQ 导出全局网格。除了标志着在神经形状表示中首次使用 QEM 外，我们的贡献还通过确保 PoNQ 网格不自交且始终是体积的边界，保证了拓扑和几何属性。值得注意的是，我们的表示不依赖规则网格，仅由目标表面直接监督，并且还能处理具有边界和/或尖锐特征的开放表面。我们通过从 SDF 网格进行基于学习的网格预测展示了 PoNQ 的有效性，并表明我们的方法在表面和基于边的度量方面均优于最近的最先进技术。
引用
@article{arxiv.2403.12870,
title = {PoNQ: a Neural QEM-based Mesh Representation},
author = {Nissim Maruani and Maks Ovsjanikov and Pierre Alliez and Mathieu Desbrun},
journal= {arXiv preprint arXiv:2403.12870},
year = {2024}
}