PyFRep: Shape Modeling with Differentiable Function Representation

我们提出了一种基于函数表示（FRep）的可微几何建模框架。该框架建立在现代自动微分库的基础之上，使我们能够获得关于空间或形状参数的导数。我们展示了这一框架的可能应用：用于形状分析的曲率估计、带符号距离函数的计算与逼近，以及将参数化模型的形状参数拟合到数据中。我们的框架已作为开源项目发布。

该论文试图解决如何通过现代自动微分库实现可微几何建模的问题，特别是基于函数表示（FRep）的框架设计。这是一个相对较新的问题，旨在结合深度学习和几何建模领域，为形状分析、优化和拟合提供更强大的工具。

论文的关键思路是利用函数表示（FRep）构建一个可微几何建模框架，允许对空间或形状参数进行自动微分。相比传统几何建模方法，这种方法能够直接计算梯度信息，从而支持更复杂的任务如曲率估计、距离函数计算和形状拟合。其创新点在于将现代自动微分技术与经典几何建模理论相结合，扩展了几何建模的应用范围。

论文展示了多个实际应用案例，包括曲率估计、符号距离函数计算以及数据驱动的形状参数拟合。实验设计涵盖了从理论验证到具体任务实现的过程，并使用了多种合成和真实数据集。此外，作者开源了该框架，便于社区进一步研究和开发。值得继续深入研究的方向包括将此框架应用于更复杂的几何优化问题，以及探索与其他深度学习模型的结合可能性。

最近的相关研究包括：1)《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》提出了基于深度学习的符号距离函数学习方法；2)《Differentiable Rendering for Geometry Optimization》研究了可微渲染在几何优化中的应用；3)《Neural Geometric Level of Detail: Real-Time Rendering with Implicit 3D Shapes》探讨了隐式3D形状的实时渲染技术。这些工作都围绕几何建模与深度学习的融合展开，但各有侧重。