论文地址：http://arxiv.org/pdf/1911.06971v2.pdf 代码：https://github.com/czq142857/BSP-NET-original.git 来源：西蒙弗雷泽大学 论文名称：BSP-Net: Generating Compact Meshes via Binary Space Partitioning 原文作者：Zhiqin Chen
多边形网格普遍存在数字三维领域中，但在深度学习革命中却只发挥了很小的作用。当前领先的生成模型方法通过隐函数实现，并且需要在生成昂贵的iso-surface后，才能生成网格。为了克服这些挑战，受到计算机图形学中的经典空间数据结构——二进制空间划分(BSP)的启发，来改善3D学习模型。BSP的核心是通过空间的递归细分得到凸集的运算。基于这一特性，本文设计了一种通过凸多边形分解来学习表示三维形状的网络BSP-Net。重要的是，BSP-Net是通过非凸多边形分解新型无监督的训练的。该网络使用一组由BSPtree从平面生成的凸集，来进行训练并重建模型形状。无需进行等值曲面处理，BSPNet推导出的凸多边形可以很容易地提取出来，形成一个多边形网格。生成的网格是紧凑的，非常适合表示尖锐的几何形状；生成的网格是严密的，并且可以很容易地参数化。结果表明，使用更少的图元，BSP-Net的重建质量与目前最先进的方法相比具有竞争力的。
下面是论文具体框架结构以及实验结果：
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。
