Motivation

• 输入点云，输出mesh
• 过去的学习shape的方法，在学习先验时有两种：
  • object级别的先验，没有和pose解耦；
  • smooth regularizer先验，会损失local detail
• 本篇想学习的是那些处于canonical pose下的local natural meshlets，用local natural meshlets，这种meshlets在不同物体、不同类别之间完全是shared，然后用这样纯粹的局部先验来拼出一个完整mesh

	P指的是测试时的物体在数据集物体pose分布内，红P指不在数据集pose分布内 N指的是低噪声，红N指moderate noise T指训练集见过的物体类别，T指训练集没有见过的物体类别 可以看到，本篇重点强调学出那些和pose解耦了的局部的meshlets，用这些meshlets来拼出完整mesh

geodesic parameterization

• Geodesic polar coordinates on polygonal meshes.
• 把一个顶点和周围的点映射到这个顶点的切平面的坐标上；然后把切平面通过变换变换到canonical pose（即顶点位移到坐标原点，切平面的法向量即z轴，切平面的u,v轴和x,y轴重合）
• 这样，可以实现pose解耦，学到那些各种各样的局部的meshlets
• 

VAE

• 用VAE把各种meshlets压缩到一个latent space
• 然后应用它fit一个点云集合的时候，首先用encoder提取一个初始的latent code，然后auto-decoder来更新几步latent code
• 

overall optimization

• 首先随便初始化一个rough mesh，从这个rough mesh提取meshlets，保证每个vertex至少被3个meshlets cover
  • 注意，这样训练时就有两个量要迭代优化更新：一个是mesh，一个是一组meshlets；
  • 其中，每个meshlets由顶点和形状code构成
• 迭代：更新每一个局部的local shape
  • 用point cloud和meshlets“拼成的mesh”的loss来更新每一个meshlet的形状
• 迭代：再让local shape形成global consistency
  • 最小化更新后的meshlets的形状和“拼成的mesh”的误差
  • 首先固定meshlets的形状code，更新mesh顶点
  • 然后固定mesh顶点，更新meshlet的形状code
•