weixin_43693967的博客

本文介绍了2020年以来基于神经网络的智能网格去噪方法，主要进行了去噪效果对比

MeshAnything是一个自回归的transformer（autoregressive transformer），其将Mesh的每个面片视作token，整个Mesh被视作token序列，接着像大语言模型一样，**一个token一个token地生成**，最终生成出整个Mesh。

【代码】【3维视觉】超级好用的3D模型交互式可视化工具viser。

网格处理好工具，一行代码将网格remesh，得到水密流形网格

VDMC的编码和解码过程的高层框图如图2所示[4][5]。预处理模块提供了更好的率失真( Rate-Distortion，RD )性能，支持可伸缩解码和渐进传输等优点，可以选择应用。预处理模块将动态网格输入的第i帧(记为M(i))转换为一组基网格（即降分网格）m(i)与位移d(i)。关联属性图A(i)也做了相应的调整。编码器对这种新的表示进行压缩并生成压缩后的比特流b(i)，它包含各部分子比特流。注意，编码过程中的反馈回路允许编码器引导预处理块并根据各种准则改变其参数以达到最佳可能的折中

SIGGRAPH：SIGGRAPH会议是计算机图形学领域最重要的会议之一，接收与图形学和交互技术相关的高质量论文。该会议涵盖了各个方面的图形学研究，包括网格处理、几何建模、渲染和可视化等。Eurographics：【SCI 4区】Eurographics是欧洲计算机图形学领域的主要会议，也接收与网格几何处理相关的论文。该会议汇集了欧洲和国际上的研究人员，展示最新的图形学研究成果。

SIGGRAPH（Special Interest Group on Computer Graphics and Interactive Techniques）是一个专注于计算机图形学和交互技术的国际性学术组织。下面是关于SIGGRAPH的详细介绍：组织目的：SIGGRAPH的主要目标是促进计算机图形学和交互技术领域的学术研究和应用发展。它通过组织会议、出版期刊、举办教育活动和建立专业网络等方式，为学术界、工业界和创意界的专业人士提供一个交流和合作的平台。SIGGRAPH会议：SIGGRAPH每年举办一

在计算网格的拉普拉斯坐标时，可以使用以下公式：对于一个具有N个顶点的网格，假设每个顶点的坐标为xi​yi​zi​，其中i12N。拉普拉斯坐标Li​表示第i个顶点的坐标与其相邻顶点坐标的差的加权平均。

这篇文章主要介绍了一种称为"网格几何谱压缩"的技术，用于对网格几何数据进行压缩。该方法利用了网格的谱性质，并通过保留关键频率分量来实现高效的压缩。作者通过实验证明了该方法在减小网格数据尺寸的同时，能够保持较高的几何质量和视觉效果。

在曲面上取一点E，曲面在E点的法线为z轴，过z轴可以有无限多个剖切平面，每个剖切平面与曲面相交，其交线为一条平面曲线，每条平面曲线在E点有一个曲率半径。则曲线的法曲率就是曲线在df(X)和N张成的平面上的投影曲线的曲率。曲面的每个方向都有法曲率，那么就有最大最小的法曲率，这个最大最小值就是主曲率，对应的曲线在这点的切线方向就是主曲率方向。这个公式的几何意义是比较直观的，2*Pi-该点邻域三角形对应的角度和，再除以相应区域的面积，就刻画了该点曲面的弯曲程度。根据主曲率的不同，可以对曲面分类。

常见的包围盒种类有有以下4种：①轴对齐包围盒AABB（Axis-aligned bounding box）②包围球（Bounding Sphere）③有向包围盒OBB（Oriented bounding box）④固定方向凸包FDH（Fixed directions hulls或k-DOP）

图片来源：3DBodyTex论文。

本文对纹理映射的大致流程进行了梳理，重点介绍了纹理采样过程。纹理映射的主要难点有两个：一是投影映射的过程，很难有好的方法将三维空间坐标与二维 uv 坐标对应起来，往往需要建模师手动调节；二是纹理采样的过程，特别是在纹理缩小的时候，容易产生锯齿，需要良好的纹理采样抗锯齿算法。

目前常见的网格主要是三角形网格（Triangle mesh）和四边形网格(Poly mesh)，网格细分算法也可以分为只能处理三角形mesh（Loop, Butterfly, Modified Butterfly）的和只能处理四边形的（Catmull-Clark），最后是能处理任意形状mesh的（ Doo-Sabin）这些算法基本都是以Midpoint为基础，主要区别是对顶点位置的调整算法不同。

卷积神经网络( CNNs )在二维计算机视觉领域取得了巨大的突破。然而，其不规则的结构使得直接在网格上利用卷积神经网络的潜力变得困难。细分曲面提供了层次化的多分辨率结构，其中一个封闭的二维流形三角网格中的每个面恰好与三个面相邻。受这两点启发，本文提出了SubdivNet，这是一个具有创新性和通用性的用于具有Loop细分序列连通性的三维三角网格的CNN框架。将二维图像中的网格面和像素进行类比，我们可以提出一个网格卷积算子来聚合来自附近面的局部特征。

介绍主流3D数据类型

网络预测的On是伯努利分布的参数，pn(t)表示体素格占用的概率在立方格n的拓扑T的概率由8个格点的占用概率决定。

随着深度神经网络的出现，基于学习的3D重建方法得到了普及。然而，与图像不同，在3D中没有计算和内存有效的规范表示，且允许表示任意拓扑的高分辨率几何。因此，许多最先进的基于学习的3D重建方法只能表示非常粗糙的3D几何，或者仅限于有限的区域。在本文中，我们提出了一种新的基于学习的3D重建方法- -占位网络。。与现有方法不同的是，我们的表示编码了，而没有过多的内存占用。我们验证了我们的表示可以有效地编码3D结构，并且可以从各种输入中推断出来。

得到的faces的维度为：100,552x3，表示的就是有100552个面，每行代表组成这个面的三个顶点的索引。得到的mesh的维度是100,552x3x3,即每个面对应的3个点，每一个点对应的3个坐标值。得到的faces的维度为：301,656, 把每个面的三个点索引依次排放到list中。维度转换，将tensor转换3列的维度，（-1）表示转换后行的维度需要计算得到。比如有n个点，得到的attrib.vertices的维度就是3n。shape.mesh.indices的数据结构。shapes的数据结构。

nglod的sdfRender安装问题

DCC-DIF是2022CVPR的文章，全称是Learning Deep Implicit Functions for 3D Shapes with Dynamic Code Clouds[]。深层隐式函数（DIF）已成为有效的3D形状表示方法。为了捕获几何细节信息，当前方法通常使用局部潜在代码（latent code）学习DIF，该代码将空间离散和规则的3D网格（或八叉树），并将本地代码存储在网格点（或八叉树节点）中。给定查询点，通过将其相邻的局部代码与其位置插值来计算局部特征。

直接用命令装就行，我服了，我还去meshlab官网下载安装包，最新的linux版本还是啥appImage,flatpakref这种安装形式，最重要的是没有meshlabserver，从2020.12版本开始就不提供meshlabserver了。我又去找以前的版本，害，2020.09版本，确实有meshlabserver。还得自己添加环境变量。meshlabserver运行截图，原来装的是2020.03版本的，那有meshlabserver也正常。等以后可能就没有了。但是直接用下面的命令就能装，我真是服了！

ShapeNetCore 是 ShapeNet 的密集注释子集，涵盖 55 个常见对象类别，具有约 51，300 个独特的 3D 模型。ShapeNetCore中的每个模型都链接到 WordNet（版本 3.0）中的相应程序集。ShapeNetCore的文件组织结构是每个synset在一个 zip 文件中。每个 zip 文件都由 synset 名词偏移量命名为八位零填充字符串。用上述metadata的文件名替代下方URL中最后的README.txt。它是ShapeNet的一个子集，带有丰富的物理属性注释。