灵活的:灵活的神经表面参数化
IEEE transactions on pattern analysis and machine intelligence
|November 4, 2025
概括
一个新的无监督神经框架FlexPara自动化了3D表面参数化. 它可以在没有人工干预的情况下创建灵活的全球和多图表映射,改善3D资产的几何处理.
科学领域:
- 计算机图形 计算机图形
- 计算几何学的计算几何学
- 几何深度学习 几何深度学习
背景情况:
- 表面参数化对于3D资产可视化和分析至关重要.
- 现有的方法需要高质量的网格和手工干预,用于复杂的拓.
- 适应性参数化管道对于不同的表面结构和任务是必要的.
研究的目的:
- 介绍FlexPara,一个无监督的神经优化框架,用于灵活的表面参数化.
- 在没有手动接规格的情况下,启用全局和多图表参数化.
- 为几何处理任务提供可控制的处理管道.
主要方法:
- 开发了一个双向循环映射框架,使用几何可解释的子网络.
- 实现了切割,变形,解封和包装3D表面的功能.
- 构建了一个适应性图表分配机制,用于多图表参数化.
主要成果:
- 实现了自动化的全球和多图表表面参数化.
- 与传统方法相比,表现出优越的性能.
- 展示了该框架在各种应用中的普遍性和潜力.
结论:
- FlexPara提供了一种新的,无监督的表面参数化方法.
- 该框架提供了灵活性和控制,克服了传统方法的局限性.
- 神经范式为未来的几何处理进步提供了巨大的潜力.


