论文阅读笔记------Differentiable Surface Triangulation

Differentiable Surface Triangulation

研究生生涯阅读的第一篇图形学论文

一、主要工作：

本文提出了一个基于一种曲面三角划方式（DWDT）的可微框架，它能够在空间上，优化任何逐顶点或逐面的可微目标函数，并将此扩展到了三维空间。
因为其在保留三角几何、拓补含义的基础上，将三角组合结构解耦，使其可以使用梯度下降等方法进行学习，可以应用于pytorch，TensorFlow框架

二、实现方法：

DWDT部分

输入：给定的二维的点集
输出：组成三角的triplets
DT的操作，即选出德劳内三角划分，是通过使用voronoi cell来进行的。DT的定义是，当且仅当三角外心为三个顶点voronoi cell的交集。

为了赋值使三角划分可微，引入一个Inclusion Score的概念

这个Score最重要的部分在于， 他引用了reduced voronoi cell 的概念，并且将单一的二进制结果变成了连续的距离（外心距离最近的cell边界的距离），对i个三角形，其值为三个点的和
接下来是给每一个点加权，权的作用是控制三角形形状，其体现的几何意义是，更大的权重促使边界远离顶点，从而影响score值

至此，2d部分的处理结束。

3D曲面参数化部分

输入：给定三维曲面
输出：三维的点坐标，每一个三角形的Score值
用LSCM方法，构造一个2d到3d的bijective的映射，三维曲面先分解成不同的面片，然后对每一个面片进行映射变换。

优化过程

本文提供了几个自己设计的loss函数，并通过实验，对比了ADAM，LBFGS，模拟退火等优化算法的效果优劣。这部分重点在于，size的loss，curvature的loss函数：

这两个函数写的十分简略，相关的A，LSE函数本文并未提及具体原理，但是两个loss函数原理可以理解。分别是：通过叉乘的模（面积），来优化三角大小；通过三角形边与曲率正负向的点积，来优化边的方向。

三、效果

与对实现特定应用的算法进行比较，实现了sota的效果，实验主要集中在处理三角形大小，以及调整三角形边的朝向上，实验效果很好。

四、不足

时间开销大，不能处理大量数据，需要划分面片再拼接，导致边界误差大

五、个人想法

我觉得这篇论文，目前优化的方法基于梯度下降，通过定义不同的loss function来实现不同的优化效果，人为设定的损失函数对效果影响较大，并且对学习率、不同loss组合的权重分配等参数的设定，还是需要人为调参，依赖经验。

在进行网格优化时，如果已有目标网格，能否通过分析目标网格的inclussion score，来督促学习方向？能否设置一个target network，通过不断更新自己的policy network，来达到使网格模型定向地朝着目标网格进行优化的目的？比如提供人像面部网格，能否通过此框架，来学习出不同人种面部建模特征，然后定向地优化三角网格。

此外，整个框架的可微性建立在V和W结合的S值，我觉得这一部分有提升的可能。本文在体现空间几何结构时，只通过权重，仅考虑边上两点之间的位置关系；体现空间拓补结构时，只是在计算score时，对三顶点求和，体现拓补结构。但是我对网格几何学习还太少，暂无相关提升思路。

最后，我觉得三角网格对顶点和边的一一对应要求很严格，它在每一次迭代中，都需要重新参数化（因为点和边的关系每次迭代都发生变化），不知道是否能找到一个更加普遍性的方式，来指引网格优化的方向。

六、后续任务

最重点的是如何可微，去把可微的概念搞清楚
未完待续