论文笔记：《FoldingNet:Point Cloud Auto-encoder via Deep Grid Deformation》

Introduction：

本篇论文，介绍了一个通过深度网格变形的点云自编码器（AE）。
提出了新的端到端graph-based编码器和folding-based解码器。

因为点云结构是不规则的，一般由稀疏的三维点表示，很难应用到传统的深度学习的框架中（比如CNN中，每个样本点的相邻样本点需要在固定的一个地方以便于卷积，但是点云中的样本点做不到这样），一种解决方法是将点云体素化来模拟图像，但是这种方法存在很多缺陷，代价比较大。作者在本文提出的操作，就是用来解决点云不规则结构带来的问题，且比之前的方法效果要好。

Contributions：

1. 训练了一个端到端的深度自编码器，来直接作用在无序点云上；
2. 提出了一个新的解码操作folding，为重构的点云排序；
3. 做实验，可知，相比其他无监督的方法，folding分类的精确度更高；
   ——————————————————————————————————————

Figures and Tables

Table 1：通过folding操作将2D样本点粘回了物体表面

第一列输入的是从ShapeNet数据集里的原始点云样本，
第二列，在解码过程中2D网格点被折叠了，
第三、四列分别是第一、二次进行folding操作后的结果，输出是重构后的点云表面。
第一次折叠是将2D网格折成了3D空间，第二次折的是3D空间的内部。
经过两次折叠，折出来的表面形状很精致。
（如果需要更好的结果，那么可以多做几次折叠。）

——————————————————————————————————————————————————<