预条件变形网格

从点云序列重建动态表面是计算机图形学中的一个具有挑战性的领域。现有方法要么需要多个正则化项，要么需要大量训练数据，但后者会导致重建精度的妥协，以及过度平滑或对未见对象和运动的泛化能力差。为此，我们提出了预条件变形网格，这是一种估计直接来自非结构化点云序列中一致变形场的新技术，无需创建显式对应关系。我们方法的关键在于使用多分辨率体素网格捕捉不同空间尺度上的整体运动，从而实现更灵活的变形表示。结合将基于网格的 Sobolev 预条件引入到梯度基于优化中，我们展示，仅使用输入点云以及不断演化的模板网格之间的 Chamfer 损失即可获得准确的变形。为确保对象表面上的时间一致性，我们包括对网格边缘的弱等距损失，这补充了主目标而不限制变形保真度。广泛的评估表明，我们的方法在实现卓越结果方面尤其适用于长序列，尤其是相对于最先进技术。