Autoencodeurs variationnels pour modéliser des maillages 3D déformants

Les contenus géométriques 3D deviennent de plus en plus populaires. Dans cet article, nous étudions le problème de l'analyse de maillages 3D déformants en utilisant des réseaux de neurones profonds. Les maillages 3D déformants sont flexibles pour représenter des séquences d'animation 3D ainsi que des collections d'objets de la même catégorie, permettant des formes diverses avec de grandes déformations non linéaires. Nous proposons un nouveau cadre que nous appelons autoencodeurs variationnels de maillage (mesh VAE), pour explorer l'espace latent probabiliste des surfaces 3D. Le cadre est facile à entraîner et nécessite très peu d'exemples d'entraînement. Nous proposons également un modèle étendu qui permet d'ajuster de manière flexible l'importance des différentes variables latentes en modifiant la distribution a priori. Des expériences approfondies démontrent que notre cadre général est capable d'apprendre une représentation raisonnable pour une collection de formes déformables, et de produire des résultats compétitifs pour une variété d'applications, y compris la génération de formes, l'interpolation de formes, l'intégration d'espace de forme et l'exploration de forme, surpassant les méthodes à la pointe de la technologie.