NeuPPS：神经分段参数曲面

《ACM Transactions on Graphics》：NeuPPS: Neural Piecewise Parametric Surfaces

提出NeuPPS，一种基于神经网络的分段参数化表面表示方法，通过可学习的特征复杂化和连续映射函数（MLP）实现任意多边形贴片的无缝连接，显著优于传统参数化方法和现有神经贴片方法，在表面拟合和形状学习任务中表现优异。

　　

摘要

分段参数曲面长期以来一直被视为一种常见的几何表示方法；然而，为了准确表示复杂的几何形状，它们通常需要表面细化或复杂的四边形划分。几何深度学习表明，神经网络能够提供比传统方法更强的表示能力。尽管如此，使用单一参数曲面进行形状拟合的方法难以捕捉细粒度的几何细节，而多块方法则无法确保相邻块之间的无缝连接。

我们提出了“神经分段参数曲面”（NeuPPS），这是第一种允许使用由任意n边形表面块组成的粗略布局来高精度建模复杂表面几何形状的分段神经曲面表示方法，与传统参数曲面相比具有更高的灵活性。这种新的曲面表示方法在构建上保证了相邻块之间的连续性，这是其他基于神经块的方法无法实现的。我们引入了两个新颖的组件：一个可学习的特征复合体和一个由多层感知器（MLP）近似的连续映射函数。我们将提出的NeuPPS应用于表面拟合和形状空间学习任务。大量实验表明，NeuPPS相比传统的参数表示方法和现有的基于块的学习方法具有明显优势。