Flatten Anything: Unsupervised Neural Surface Parameterization

表面参数化在许多计算机图形学和几何处理应用中起着至关重要的作用。传统的参数化方法是为专门的三维建模师费力创建的高质量网格而设计的，因此无法满足当前普通三维数据处理的需求。此外，它们的工作机制通常仅限于某些简单的拓扑结构，因此需要繁琐的手动操作（例如表面切割、部分分割）进行预处理。本文介绍了Flatten Anything Model（FAM），这是一种无监督的神经架构，通过学习目标几何表面上的三维点与自适应变形的UV坐标之间的点对点映射来实现全局自由边界表面参数化。为了模拟实际物理过程，我们巧妙地构建了具有表面切割、UV变形、展开和包装特定功能的几何可解释子网络，这些子网络被组装成一个双向循环映射框架。与以前的方法相比，我们的FAM直接在离散的表面点上操作，而不使用连接信息，因此大大降低了对网格质量的严格要求，甚至适用于非结构化点云数据。更重要的是，我们的FAM是完全自动化的，无需预先切割，并且可以处理高度复杂的拓扑结构，因为其学习过程会自适应地找到合理的切割缝和UV边界。广泛的实验证明了我们提出的神经表面参数化范例的普适性、优越性和启示潜力。代码将公开发布。

本论文旨在解决传统参数化方法无法处理普通3D数据的处理需求和无法处理高度复杂拓扑的问题，提出了一种基于神经网络的全局自由边界表面参数化方法。

论文提出了Flatten Anything Model（FAM）的神经网络架构，通过学习目标几何表面上的3D点与自适应变形的UV坐标之间的点对点映射，实现全局自由边界表面参数化。FAM直接处理离散表面点，不需要利用连接信息，因此适用于不规则点云数据，而且不需要预先切割，可以处理高度复杂的拓扑。

该方法在多个数据集上进行了广泛的实验，证明了其普适性和优越性。该论文还开源了代码。值得深入研究的工作包括如何进一步提高参数化的质量和效率。

与该论文相关的研究包括：《Learning-based Planar Parameterization for Arbitrary Meshes》、《Deep Geodesic Learning for Topology-Aware Surface Parameterization》等。