DefTet：基于学习的用于3D重建的可变形四面体网格

面向基于学习的3D重建的形状表示方法，仍是机器学习与计算机图形学中的开放难题。先前关于神经三维重建的好多研究已揭示点云、体素、表面网格及隐式函数等表示各自的优势与局限。本文是来自英伟达和多伦多大学的联合研究成果，论文提出可变形四面体网格（Deformable Tetrahedral Meshes，DefTet） 这一特定参数化方法，将体四面体网格用于重建任务。

与现有体表示方法不同，DefTet同时优化顶点位置与单元占用，并可对标准三维重建损失函数进行端到端求导。因此，该方法兼具高精度、体表示特性，且可无缝嵌入基于学习的神经架构。实验表明，DefTet可表达任意复杂拓扑，内存与计算开销低，且在不增加网格分辨率的情况下即可生成高保真重建结果；所得表面天然以四面体网格形式给出，无需后处理。

相较以往最佳方法，DefTet在重建质量上有过之而无不及，同时速度媲美最快方法。首次展示从含噪点云甚至单张图像直接生成高质量三维四面体网格的结果。

论文链接，见左下角阅读原文。基于上述技术，其实生成了网格对于开展有限元、CFD仿真也是很便利的如果结合起来，尤其是对于概念性的设计的方案评估等。

另外，对于目前AI和仿真结合的研究，如果缺少样本，是不是也可以根据上述方法只要多找一些图片数据，形成网格做分析计算，这样就可以在没有三维几何模型的情况下可以获得更多的一些样本数据。起码总比没有或者很少数据强。