Motivation

• 目前有一些学习an ensumble of Parametric表征的方法
  • 但是这些方法并没有控制表面patch的变形，因此并不能阻止patches彼此重叠或者折叠成一个点、一条线
  • 这种情况下，计算表面法向量就会变得困难、不可靠
• 本篇提出 在训练时，开发深度神经网络的天生的可微性
  • 来利用表面的微分属性去阻止patch折叠、显著减少互相重叠
  • 并且这让我们可以可靠地计算表面法向量、曲率等
• 

related works: 在训练时使用differential surface properties

• Learning to Reconstruct Texture-Less Deformable Surfaces. 3DV2018
• Marr Revisited: 2D-3D Model Alignment via Surface Normal Prediction. CVPR2016
• A Two-Stream Network for Fast and Accurate 3D Cloth Draping. ICCV2019

overview

results

• 主要对比基线就是atlasNet
• Pointcloud Autoencoding (PCAE)
  
• single view reconstruction (SVR) 单目重建