【点云相关】CvxNet：Learnable Convex Decomposition

1. 概要

题目： CvxNet：Learnable Convex Decomposition，CVPR2020
论文：https://arxiv.org/pdf/1909.05736.pdf
Code：https://github.com/tensorflow/graphics/tree/master/tensorflow_graphics/projects/cvxnet
Video：https://www.youtube.com/watch?v=Rgi63tT670w
项目：https://cvxnet.github.io/
一句话概述：提出了一种基于原始分解的结合表示方法

背景知识：
凸多面体，也称欧拉多面体。是一种简单多面体，即整个多面体都在其任何一个面所在平面同侧的多面体。凸多面体的任何一个面延展都不会通过它的内部，即把凸多面体的任何一个面伸展成平面，它的所有其他面都在这个面同侧。

凸对象（Convex Object）：

• 显示表达：通过计算凸包的顶点而派生的网络；结果直接，但训练较为复杂。
• 隐式表达：1. 半空间约束或支持集合的集合；2. 适合于神经网络的训练；3. 是从徐耀表示的几何拓扑中抽象出来。训练是一个简单的分类问题，但是表面就需要通过移动立方体来提取。

高维数据表达：
体素：

• 高维表示，用于判别模型和生成模型
• 缺点：内存要求高，分辨率<643;
• 改进：利用体素稀疏性的八叉树，可以减少内存消耗，但更为复杂

表面：

• 多边形网格，用于图卷积，网络的输出
• 缺点：可能会产生自相交的网络

点云：

• 高维表示，由深度传感器得到作为输入或中间结果
• 缺点：想要生成3D网格会较为复杂

图元：

• 通过一组体积图元来近似输入形状
• 体素可以视为图元为单位立方体的情况
• 其他方法：构造实体几何

2 Motivation

基于计算机图形学基础，任何固体对象可以分解为凸多面体的集合。也可以理解成为图元构成最终图的过程。

3 思想

传统显示表达，结果非常直接，但是训练较为复杂；
而隐式训练是一个简单分类问题，但是表面需要通过移动立方体来提取。
而所提出的Convex，是基于凸组合的混合表示，表示低维凸面族，通过自动编码过程自动派生。可应用在自动凸分解、图像到3D的重建，以及零件的形状检索当中。

4 算法

4.1 可微凸指示器（Differentiable convex indicator）

• 在超平面表示部分， H h ( x ) H_h(x)