曲面参数化笔记

前言

问题：给定划分好面片的三角形网格面，即每个patch由三角形组成。需要将网格面参数化到二维平面然后采点。

一、参数化是什么？

在计算机图形学中，我们把从曲面到r2的映射表示为曲面参数化。它通常由网格每个顶点的一组新的二维坐标进行编码（也可能由与原始曲面的面一一对应的一组新面进行编码）。

参数化已有许多算法被提出。对于一个给定的网格，我们既可以把它整体的映射到一个参数域上，也可以分成多片局部网格区域，每片网格区域单独参数化。它们大致可分为四大类：

• 单面片法、固定边界法：这些算法可以在给定固定的二维边界位置的情况下，对曲面的盘状部分进行参数化。这些算法简单有效，但由于边界固定，通常会产生高失真的图像。
• 单面片，自由边界：这些算法让边界自由变形，大大减少了地图失真。应注意防止边界自交。
• （多片）全局参数化：这些算法适用于具有任意亏格的网格。它们最初将网格切割成多个可以单独参数化的面片。生成的纹理贴图在切口（通常称为接缝）上是不连续的。
• （多片）全局无缝参数化：这些是隐藏接缝的全局参数化算法，使参数化“连续”，具体假设我们将在后面讨论。

二、单面片参数化

https://www.icloud.com/keynote/0Z35I9saTZtdtpJKo8KCAiSZQ#11_-_Single_Patch_Parametrization

输入：开网格

定义两个标量函数，映射到二维平面的uv方向

梯度，切向，possion问题，Barycentric Coordinates，

什么是好的参数化？如何定义什么是好的？

代码

vs2019工具安装CGAL
https://www.ngui.cc/51cto/show-671830.html
https://blog.csdn.net/datoucai1998/article/details/113853102

Games102部分笔记

问题：如何求满足要求的函数？

• 大部分的实际应用问题

  • 可建模为：找一个映射/变换/函数PDE
  • 输入不一样，变量不一样，维数不一样

• 如何找函数三部曲

  • 到哪找？

    • 确定某个函数集合/空间

      ex：多项式函数/RBF函数/三角函数 等等

    • 确定基函数的组合系数

  • 找哪个？

    • 度量哪个函数是好的/最好的 loss
    • 优化模型（最小化问题）
      • 能量项=误差项+正则项
    • 统计模型、规划模型

  • 怎么找？

    • 求解误差函数的驻点
    • 转化为系数的方程组
      • 如果是欠定的（有无穷多解），则修正模型
        • 改进/增加各种正则项：Lasso、岭回归、稀疏正则项
        • 返回修改模型

避免过拟合常用方法

• 数据去噪
  • 剔除训练样本中噪声
• 数据增广
  • 增加样本数，或者增加样本的代表性和多样性
• 模型简化
  • 预测模型过于复杂，拟合了训练样本中的噪声
  • 选用更简单的模型，或者对模型进行裁剪
• 正则约束
  • 适当的正则项，比如方差正则项、系数正则项

常用的正则项

• Ridge regression（岭回归）
  $$min||Y-XW|{|}^2+\mu ||W|{|}_2^2$$

• 稀疏学习：稀疏正则化

  • 冗余基函数（过完备），可能是线性相关的

  • 通过优化来选择合适的基函数

    • 系数向量的L0模（非0元素个数尽量小）

    • 挑选（“学习”）出合适的基函数
      $$min||Y-XW|{|}^2+\mu ||W|{|}_0$$

  • 另一个角度：压缩感知

拟合与机器学习

• 核函数思想

• Gauss基函数特点：拟局部凸性

激活函数

• 启发：由一个简单的函数通过放射变换构造出一组基函数，张成一个函数空间
• 表达能力是否足够强：是否完备/稠密的？

多输出----向量值函数

多层神经网络—多复合函数

深度学习？

• 问题建模
  • 理解问题、问题分解（多个映射级联）
• 找哪个?
  • 损失函数、各种惩罚、正则项
• 到哪找？
  • 神经网络函数、网络简化
• 怎么找？
  • 优化方法
  • 初值、参数

参数曲面–流形

• 一张曲面由两个参数决定

  流形：任何一点附近区域同胚于圆盘

• 可灵活表达非函数型的任意曲面

降维映射（低维投影）

参数化—三维到二维，二维再回到三维

• 联想到自编码器，中间隐变量其实是反映了输入的本质维度，如果维度太低，毕然回不去，loss非常大

参数化

• 求数据点对应的参数：一个降维的问题！

  共享基函数------------共享激活函数

• 然后极小化误差度量

点列的参数化

uniform、chordal、centripetal、universal、foley-nielsen

由于局部支集，B样条曲线的参数就是节点向量

曲面参数化

• 三维的点找二维的参数：一个降维的问题

  保面积、保角度

• 应用：纹理映射

• 法：网格-》极小曲面-》将边界映射到平面的凸多边形上

  • 检测边界
  • 将边界映射到正方形边界或者圆边界
  • 构建稀疏方程组
  • 更新顶点坐标
  • 连接纹理图像，更新显示