ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds

表面参数化是一个基础的几何处理问题，具有丰富的下游应用。传统方法旨在处理具有高质量三角剖分的规则网格模型，这些模型需要由专门的3D模型制作人员费力制作，因此无法满足当前普通3D数据处理的需求。本文旨在对非结构化的3D点云进行UV展开。技术上，我们提出了ParaPoint，这是一个无监督的神经学习流程，通过建立给定3D点和自适应变形边界的2D 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。我们巧妙地构建了几个具有特定功能的几何意义子网络，并将它们组装成一个双向循环映射框架。我们还设计了有效的损失函数和辅助微分几何约束来优化神经映射过程。据我们所知，这项工作是首次尝试研究神经点云参数化，旨在追求全局映射和自由边界。实验表明，我们提出的学习范式具有很高的有效性和启示潜力。代码将公开发布。

ParaPoint试图在不规则的3D点云上进行UV展开，解决了处理普通3D数据的需求问题。

ParaPoint是一个无监督的神经学习管道，通过构建点与2D UV坐标之间的点对映射来实现全局自由边界表面参数化。

ParaPoint构建了几个具有特定功能的几何有意义的子网络，并将它们组装成一个双向循环映射框架。此外，ParaPoint设计了有效的损失函数和辅助微分几何约束来优化神经映射过程。

最近的相关研究包括：1. Learning Parameterized Shape Space for Interpolation and Texture Synthesis. 2. Learning to Deform 3D Shapes. 3. Point2Sequence: Learning the Shape Representation of 3D Point Clouds with an Attention-Based Sequence to Sequence Network.