hjimce的专栏

hjimce算法类博文目录个人博客：http://blog.youkuaiyun.com/hjimce个人qq：1393852684知乎：https://www.zhihu.com/people/huang-jin-chi-28/activities一、深度学习深度学习(七十三)pytorch学习笔记深度学习(七十二)tensorflow 集群训练深度学习（七十一）3D CNN时空特征学习深度学习（七十）da...

之前帮导师搞过一个项目，涉及点云尖锐的特征边重建技术，很多文献看起来效果很好，然而都是坑爹的算法，鲁邦性很差，比如这篇paper《Feature Sensitive Surface Extraction from Volume Data》把我坑的好惨，网上没有提供源代码

1、点云预处理 。这一步主要是点云滤波、采样、移除离群点等操作，涉及到的经典算法有MLS、双边滤波、WLOP等，这些在我的另外一篇博文中，有比较详细的介绍。 2、重建网格曲面。这一步主要涉及相关经典算法是点云法矢求取PCA、有向距离场、隐函数、MC算法等相关概念。这篇博文将详解这些算法的实习过程。

这里要分享的paper，是通过拉普拉斯的方法实现三角网格模型的优化。如果你已经非常熟悉三角网格曲面的拉普拉斯相关理论，实现这篇paper也就非常容易了。网格曲面的拉普拉斯坐标不但可以用于变形、光顺，还可以用于优化，总之好处多多，你只要学会了这一招，那么就可以学会这些算法了。

Stroke Parameterization顾名思义就是沿着曲线进行参数化的意思，在我的另外一篇博文中《离散指数映射Decal》是以一个点为源点，进行参数化，参数化结果为一圆形参数域。然而在网格曲面上，可能有的时候我们并不紧紧是想要圆形Decal，而是希望沿着曲线进行参数化，比如上面文字贴图中，我们的图片是一张长方形图片，这个时候如果用固定边界的参数化方法，或者用离散指数Decal,它们的参数域一般都类似于圆形，用于上面的贴图肯定不行。

三角网格变形一直是CAGD相关领域的重点，刚上研究生的时候，感觉有点神奇。而且一上来导师就给我发了一篇基于格林坐标的自由变形的相关paper，让我看，外文文献，看了n多天，第一次看外文文献，啥也没看懂，好像也没什么收获。因为当时根本连文献要怎么看都不懂，如何把一篇文献转换成代码，更别谈直接看外文文献了，一篇文章下来，根本不知道哪里是重点……之所以把这篇博文标题为：简单拉普拉斯网格变形，是因为我只用了求解一个稀疏的线性方程组，就进行变形。

本篇博文主要讲解2007年Siggraph上的一篇经典paper：《Linear Rotation-invariant Coordinates for Meshes》，这篇paper如果不考虑计算速度问题，可以说是目前我感觉微分域的保特征网格变形效果最perfect的一个算法了。在我的另外一篇博文《简单拉普拉斯变形》中讲到，如果直接使用拉普拉斯变形算法，那么在大尺度变形的情况下，会出现如下的结果：可以看到，本来章鱼模型上的圆形特征，经过变形后，变为了椭圆形了，这种现象，我们又称之为不保特征变形，很显然，

本篇博文主要讲解2006年Siggraph上的一篇经典纹理贴图paper：《Interactive Decal Compositing with Discrete Exponential Maps》，这是我研究生所学的第一个算法，也可以说是我人生所学的第一个算法。因为当时连c++编程都不会，所以更别谈实现这篇paper的算法，因为其中还涉及到opengl的一些相关基础知识，如纹理贴图等。就这样，磕磕碰碰，外加整天玩游戏DNF，所以这篇paper的算法，花了一学期的时间，都还没搞懂，直到第一学期结束时，被导师

三维的算法比较难，网上资料也比较少，国内除了到知网、万方等数据库可以有文献看，代码方面可以说没有，国外要找到提高源码的paper也很不容易，所以要把三维CAGD的一些算法学懂实属不易，在此祭奠曾经走过的三维苦逼算法学习之路。本篇博文主要讲解文献：《Geodesic polar coordinates on polygonal》，这里中文我又把它翻译为：测地极坐标参数化，离散幂映射算法中每个顶点参数值取决于该顶点的法矢，因此网格曲率变化较大时经常使得参数化结果发生较大扭曲。相比于离散指数映射算法，Eivind

拖拽式模型融合-Sigggraph 2010

这里要跟大家分享的是2013年Siggraph上面的一篇paper，名为《Geodesics in Heat:A New Approach to Computing Distance Based on Heat Flow》，这篇paper没有提供源代码，但是因为算法的思想相当新颖，如果你之前有研究过其它的测地三角网格曲面上的测地距离算法，那么看到这篇paper后，你会非常的激动，觉得这个算法相当神奇，网格曲面上测地距离的计算方法又有了新的突破。因为看到这篇paper非常激动，以至于我兴奋得马上去把代码写了一

固定边界参数化方法是参数化方法中的一类经典算法，至今还有很广泛的用途。这类算法可以说是我读研阶段写的第一个算法。当年年少无知，连外文文献怎么阅读都不懂，导师发给了我好几篇paper，没有一篇看得懂，就连三角网格模型的拓扑邻接关系都不懂。参数化国内相关的硕士、博士论文非常多，所以我就从国内文献开始看起，看了20篇paper才完全知道代码要怎么写，要怎么把文献转换成代码，看了将近一个月的文献，又花了一周的时间把代码实现出来。

基于梯度场的网格编辑，对应的Paper为《Mesh Editing with Poisson-Based Gradient Field Manipulation》，是Siggraph 2004上的一篇paper，这篇paper与基于拉普拉斯的网格变形方法，统称为基于微分域的网格变形算法，这篇paper其实本质上最后的求解公式和基于拉普拉斯的网格变形方法一样

持续更新原文地址：http://blog.youkuaiyun.com/hjimce/article/details/45421595作者：hjimce一、学习清单1、综合类(1)收集了各种最新最经典的文献，神经网络的资源列表：https://github.com/robertsdionne/neural-network-papers  里面包含了深度学习领域经典、以及最新最牛逼的算法，如果把这个列表学过一遍...