DynoSurf: Neural Deformation-based Temporally Consistent Dynamic Surface Reconstruction

本文探讨了如何从没有对应关系的3D点云序列中重建出时间上连续的表面的问题。为了解决这个具有挑战性的任务，我们提出了DynoSurf，这是一个无监督学习框架，将模板表面表示与可学习的形变场相结合。具体来说，我们设计了一种基于可变形四面体表示的粗到细的学习模板表面的策略。此外，我们提出了一种基于可学习控制点和混合权重的可学习形变表示，可以非刚性地变形模板表面，同时保持局部形状的一致性。实验结果表明，DynoSurf比当前最先进的方法具有显着的优势，展示了它作为动态网格重建强大工具的潜力。该代码公开可用于https://github.com/yaoyx689/DynoSurf。

本文旨在解决从3D点云序列中重建具有时间一致性的表面的问题，而无需对应点。这是否是一个新问题？

本文提出了DynoSurf，一个无监督学习框架，将模板表面表示与可学习的变形场相结合，通过可变形四面体表示学习模板表面的粗到细的策略。此外，提出了一种基于可学习控制点和混合权重的可学习变形表示，可以在保持局部形状一致性的同时对模板表面进行非刚性变形。

本文的亮点包括：1. 采用了可变形四面体表示学习模板表面的粗到细的策略；2. 提出了一种基于可学习控制点和混合权重的可学习变形表示；3. 在实验中，DynoSurf相对于当前最先进的方法具有显著的优越性；4. 代码公开可用于GitHub。

最近的相关研究包括：1. "Non-rigid surface registration using dynamic graph convolutional networks"；2. "DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation"；3. "Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild"。