Neural Subdivision 论文记录

前排提示，自我记录形式，可能内容比较乐色。还未完结，仍待更新。

为什么看这篇文章？

1. 生成了一种规格化多分辨率三角网格模型，可以用来在上面干各种事情。

2. 看看神经网络如何与图形学结合。

3. 自学一点几何相关的内容。

本文特色：

1. 与传统细分相比较（走的这个赛道），避免了诸如收缩和过度平滑等问题（没错，说的就是你，loop）

2. 发明了一种生成初始三角面片（网络input）的方法（双射的欸）

3. 保留了初始三角面片的拓扑关系，只进行局部细化

4. 不需要初始数据对齐

5. 泛化能力

6. loss函数比别人的牛很多

核心思路：

1. 整体：拓扑更新-loop，顶点更新-神经网络。

前者保证规格，后者保证质量。

2. 网络部分：三个模块（还没看懂）

模块①：Initialization，定义在顶点上，进行邻域的微分特征学习（貌似是一开始的计算）

模块②：Vertex，预测顶点特征（貌似是更新）(仅个人猜测：就是说意思是不是这样的，你一轮迭代完了嘛，生成了一些新的顶点。这些顶点头上肯定没有那些特征向量的，那我就重新遍历一遍，生成一些新的特征向量用来做下一步预测？）

模块③：Edge，预测新加的中点的特征，基于这个中点所在边的那两个上一级端点

顶点步使用模块V基于其1 -环邻域来预测下一级细分的顶点特征，其中受此步骤影响的顶点只涉及上一级网格中三角形的角点。然后，Edge步骤使用模块E来计算在中点添加的顶点的特征，这些顶点是基于前一级网格的边连接的顶点对。

文章流程：

1.

2. 相关工作：

从传统曲面细分到神经网络结合的几何任务，比较了几个类似的方法。

3.

4. 比较，和maps比较，其自参数化有好处（见附录双头兔兔）

 

简单记录思考的问题：

3 - NEURAL SUBDIVISION

其中coarse就是初始化简过的输入网格吧，origin就是原始的网格。

4 - DATA GENERATION AND TRAINING 

Appendix：

之前102里QEM的某个问题在这得到了解决：

句式：

it by its own is 第四节开头那句感觉自己也可以用