介紹了一種用於學習生成3D形狀表面的方法。 將3D形狀表示爲參數化表面元素的集合，而且與生成體素網格或點雲的方法相反，天然能夠推斷出該形狀的表面表示。 除了新穎性以外，AtlasNet還具備顯着的優點，例如改進的精度和通用化功能，以及生成任意分辨率的形狀而不會出現內存問題的可能性。 與ShapeNet基準上用於兩個應用程序的強大基準進行了比較：（i）自動編碼形狀，以及（ii）從靜止圖像進行單視圖重建。 在其餘應用中的潛力的結果，例如變形，參數化，超分辨率，匹配網絡
1.介紹性能
在本文中，咱們探索直接學習表面表示。 受表面正式定義爲局部相似於歐幾里德平面的拓撲空間的啓發，咱們試圖經過將一組正方形映射到3D形狀的表面來局部逼近目標表面。 使用多個這樣的正方形可使咱們使用非磁盤拓撲來對複雜的表面進行建模。 所以，形狀的表示與圖集極爲類似，正如咱們將在第3節中討論的那樣。咱們方法的關鍵優點在於，它能夠共同窗習形狀的參數化和嵌入。 這有兩個方面的幫助。 首先，經過確保咱們的3D點來自2D正方形，咱們傾向於學習連續且平滑的2流形結構。 其次，經過爲每一個3D點生成UV參數化，咱們生成了全局表面參數化，這對於許多應用程序（例如紋理貼圖和表面網格劃分）是關鍵的。 確實，要生成網格，咱們只需將規則的網格從2D正方形轉移到3D表面，並生成規則的紋理圖集，咱們只需優化正方形的度量以使其對等距成爲可能 3D形狀學習
因爲咱們的工做將原始表面元素變形爲3D形狀，所以能夠看做是彌合了學習將3D形狀表示爲一組簡單的原始對象，具備固定的，少許參數的最新做品之間的差距[32] 將3D形狀表示爲一組非結構化點[9]。 它也能夠解釋爲學習曲面的分解表示，其中，形狀上的點由編碼形狀結構的矢量和編碼其位置的矢量共同表示。 最後，能夠看做是經過共享部分表面的網絡參數，將卷積方法的強大功能用於3D生成2D圖像的嘗試[17，35]。
咱們的貢獻。 在本文中：
優化
•提出了一種稱爲AtlasNet的3D表面生成的新方法，該方法由可學習的參數化聯合組成。 這些可學習的參數化將一組2D正方形變換到表面，以相似於在形狀上放置紙條以造成紙漿機的方式覆蓋它。 「轉換」的參數既來自於學習的神經網絡權重，又來自於對形狀的學習表示。
•代表學習到的參數變換能夠在任何地方局部地映射到曲面，天然適應其底層複雜性，能夠以任何所需的分辨率進行採樣， 並容許將鑲嵌或紋理映射轉移到生成的表面。
編碼
定性和定量地證實了從（多是低分辨率）點雲和2D圖像生成高分辨率表面時該方法的優點•證實了該方法在多種應用中的潛力，包括形狀插值，參數化和形狀收集 對準。3d
整體而言，學習從非結構化和異構輸入生成任意拓撲的表面仍然是一個挑戰。對象
2.方法blog
3.實驗內存
4.總結class
咱們介紹了一種爲3D形狀生成參數化曲面元素的方法。 咱們已經展現了其在3D形狀和單視圖重建中的優點，其性能優於現有基準。 此外，咱們已經展現了其對形狀插值，查找形狀對應關係和網格參數化的承諾。 咱們的方法爲3D形狀的網格生成和合成打開了應用，相似靜態圖像生成