SR-CurvANN：基于曲率感知神经网络的 3D 表面重建

三维（3D）模型中数据不完整或缺失会导致错误或不完整的渲染，限制了其在可视化、几何计算和 3D 打印等应用中的实用性。传统的表面修复技术常常无法推断缺失区域的复杂几何细节。神经网络成功地解决了 2D 图像中基于 inpainting 技术的孔洞填充任务。将表面重建算法与模型曲率特性相结合，同时发挥神经网络在 inpainting 过程中的创造力，应可在孔洞填充任务中生成逼真的结果。本文提出一种新方法，称为 SR-CurvANN（Surface Reconstruction Based on Curvature-Aware Neural Networks），将基于神经网络的 2D inpainting 融入 3D 表面重建中，以有效重建 3D 表面。我们使用代表数百个 3D 模型顶点平面曲率表示的图像训练神经网络。当缺失区域被推断后，通过粗到细的表面变形过程确保表面贴合重建后的曲率图像。我们的方案使我们能够从广泛的训练 3D 模型中学习和泛化模式，生成综合性的 inpainted 曲率图像和表面。在 959 个具有多个孔洞的模型上进行的实验表明，SR-CurvANN 在形状完成过程中表现出色，能够以惊人的逼真度和精确度填充孔洞。