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