曲面参数化
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
- 如果是欠定的(有无穷多解),则修正模型
-
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)
m i n ∣ ∣ Y − X W ∣ ∣ 2 + μ ∣ ∣ W ∣ ∣ 2 2 min||Y-XW||^2+\mu||W||_2^2 min∣∣Y−XW∣∣2+μ∣∣W∣∣22 -
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
m i n ∣ ∣ Y − X W ∣ ∣ 2 + μ ∣ ∣ W ∣ ∣ 0 min||Y-XW||^2+\mu||W||_0 min∣∣Y−XW∣∣2+μ∣∣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