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