SplineGen: a generative model for B-spline approximation of unorganized points

这篇论文提出了一种基于学习的方法来解决B样条逼近中传统的参数化和结点放置问题。与传统的启发式方法或最近的基于人工智能的方法不同，所提出的方法不需要假设有顺序或固定大小的数据点作为输入，也无需手动设置结点的数量。它将参数化和结点放置问题作为一个序列到序列的翻译问题，一个生成过程自动确定结点的数量、它们的位置、参数值和排序。一旦训练完成，SplineGen在测试数据上表现出明显的改进，逼近精度提高了一到两个数量级。

解决问题：论文试图通过学习方法解决B样条逼近中的参数化和节点放置问题，避免传统启发式方法和最近的基于人工智能的方法所假设的有序或固定大小的数据点输入，并自动确定节点数量、位置、参数值和排序。

关键思路：将参数化和节点放置问题作为序列到序列翻译问题，通过生成模型自动确定节点数量、位置、参数值和排序，从而提高逼近精度。

其他亮点：实验结果表明，SplineGen相比现有方法在测试数据上的逼近精度提高了一到两个数量级。论文还提供了开源代码和数据集，值得进一步研究。

相关研究：最近的相关研究包括《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》和《Neural Ordinary Differential Equations》。