Neurlps2024论文解析|Flatten Anything Unsupervised Neural Surface Parameterization-water-merged

论文标题

Flatten Anything: Unsupervised Neural Surface Parameterization 扁平化任何物体：无监督神经表面参数化

论文链接

Flatten Anything: Unsupervised Neural Surface Parameterization论文下载

论文作者

Qijian Zhang, Junhui Hou, Wenping Wang, Ying He

内容简介

本文提出了一种名为“扁平化任何物体模型”（FAM）的无监督神经网络架构，旨在实现全局自由边界的表面参数化。传统的参数化方法通常依赖于高质量的网格和繁琐的手动预处理，难以满足当前普通3D数据的处理需求。FAM通过学习3D几何表面上的点与自适应变形的2D UV坐标之间的逐点映射，简化了这一过程。该模型构建了具有特定功能的几何可解释子网络，包括表面切割、UV变形、展开和包裹，形成一个双向循环映射框架。与以往方法相比，FAM直接操作离散表面点，无需连接信息，显著降低了对网格质量的要求，并能够处理复杂拓扑结构。实验结果表明，FAM在参数化质量和处理复杂几何形状方面具有显著优势。

分点关键点

1. FAM模型架构

   • FAM是一种无监督学习框架，通过学习3D点与2D UV坐标之间的映射，实现全局自由边界的表面参数化。该模型包含多个子网络，分别负责表面切割、UV变形、展开和包裹，形成双向循环映射。