由特拉维夫大学提出的、从点云（point cloud）中重建尽可能少失真、少噪声网格的新方法「Point2Mesh」SIGGRAPH 2020 技术论文
本文介绍了一种从输入点云重建表面网格的方法 Point2Mesh。与其显式指定编码预期形状属性的先验分布，不如使用输入点云自动定义先验分布。我们将其称为 self-prior。self-prior 在深度神经网络的权重中封装了从单一形状中反复出现的几何重复。通过优化网络权重，将初始网格变形为适配单个输入点云的 shrink-wrap。由于共享局部核是为适配整个对象而计算的，因此它会显式考虑重建形状的整体。卷积核在整个形状上进行全局优化，从而本质上促进了形状表面上局部尺度的几何自相似性。我们表明，使用 self-prior 对点云进行 shrink-wrap 可以收敛到理想解。与预先指定的平滑性相比，后者常常会陷入不希望的局部最小值。传统重建方法的性能在现实世界扫描中常见的非理想条件下会下降，而 Point2Mesh 对非理想条件具有鲁棒性，包括无方向法线、噪声和缺失（低密度）部分。我们展示了 Point2Mesh 在不同复杂度的各种形状上的表现。
感觉相当不错。
源码也已公开，有兴趣的话可以看看。