Motivation

• 对目前的multiple patch based parametric surface representations（atlas），改进patches的global consistency（即防止**孔洞和多个patch不正确交叉“jagged/带锯齿**的"的情况）
• 
• 典型的缝合问题（1D表示）
  

Related works：patch-wise representations**

• FoldingNet Foldingnet: Point Cloud Auto-Encoder via Deep Grid Deformation.CVPR2018
  第一个基于深度神经网络的工作：学到一个参数化的函数来在3D空间中嵌入一个2D流形
• 后面的工作shifted to ensembles of such learned functions来做patch-wise表征：
  • learning (encoder)
    • Atlasnet: A papier-mâché approach to learning 3d surface generation. CVPR2018
    • Learning elementary structures for 3d shape generation and matching. NeurIPS2019
    • Shape reconstruction by learning differentiable surface representations. CVPR2020 这是作者的前作，用正则化来减轻表面的扭曲、重叠
    • Tearingnet: Point cloud autoencoder to learn topology-friendly representations. arXiv, 2020.
  • optimization (auto-decoder)
    • Deep geometric prior for surface reconstruction. CVPR2019
    • Meshlet priors for 3d mesh reconstruction. CVPR2020
  • 2D output domain
    • Deep parametric shape predictions using distance fields. CVPR2020
  • 因为连续的patch可以以任意精度采样，因此在拟合的时候可以有很高的精度
  • 目前方法的主要缺陷
    • 学到的表面高度扭曲、大规模重叠；只能通过适当的regularization正则化来减轻（即作者前一篇工作Shape reconstruction by learning differentiable surface representations）
    • 更紧急的问题：individual patches的放置时的global inconsistency，导致surface artifacts，比如孔洞，或者一些多个patch不正确交叉的区域
      • 这个问题在meshlet和Deep geometric prior for surface reconstruction. 两篇里有一定程度攻击，但是只在optimization settings，很缓慢，并且在test time还需要几何观测（如带噪声的点云）；
    • 本篇主要基于learning-based (带encoder) 前作，利用它的低扭曲、低重叠属性，改进patches的global consistency