论文笔记：《3D Correspondences by Deep Deformation》

Introduction：

本文提出了Shape Deformation Networks，来做template-driven形状对应。
这个网络学习 变形模板的形状，并与输入形状做对应。
训练：shape deformation networks（encoder-decoder）
编码网络：将目标形状作为输入，生成全局特征向量
解码网络：模板作为输入，将模板变形为目标形状

Method：

论文方法分为三大块：
（a）network training：
这个是网络的训练过程。（对应论文中的3.1）
**编码器Eφ：**先输入一个三维点云S，它将输入的每一个3D点都与一个多层感知器相连（MLP隐藏特征大小为64,128,1024），经过一个线性层后，对每一个点得到的特征结果做maxpooling，得到1024维的Eφ (S)特征。
（直观理解，输入一个点云S，利用前向传播将S编码成隐藏代码E，然后利用pointnet将E码弄成特征向量E(S)。）

解码器Dθ：它的输入是上面得到的特征向量和模板A上的一个点P的3D坐标。
这个网络是一个多层感知器，隐藏层大小为1024 , 512 , 256 , 128。后面跟着一个双曲正切。该结构是将模板域的任意点映射到重构表面上，通过对模板进行采样，反复操作，从而输出任意数量的输出点。

在这个过程中，包含了两种损失。
supervised loss：
这种情况下，模板A 与 训练形状 S 之间的对应是已知的。qj是训练形状上的点，pi是模板上的点。 pj ↔ qj 。
the reconstruction loss：其中，第一项代表的是重构点，第二项代表的是输入的点。从这个