Autoencoders Variacionais para Modelos de Malha 3D Deformáveis

Conteúdos geométricos 3D estão se tornando cada vez mais populares. Neste artigo, estudamos o problema de analisar malhas 3D deformáveis usando redes neurais profundas. Malhas 3D deformáveis são flexíveis para representar sequências de animação 3D, bem como coleções de objetos da mesma categoria, permitindo formas diversas com grandes deformaçōes não-lineares. Propomos um novo framework que chamamos de autoencoders variacionais de malha (mesh VAE), para explorar o espaço latente probabilístico de superfícies 3D. O framework é fácil de treinar e requer muito poucos exemplos de treinamento. Também propomos um modelo estendido que permite ajustar flexivelmente a importância de diferentes variáveis latentes alterando a distribuição a priori. Experimentos extensivos demonstram que nosso framework geral é capaz de aprender uma representação razoável para uma coleção de formas deformáveis e produzir resultados competitivos para uma variedade de aplicações, incluindo geração de formas, interpolação de formas, incorporação de espaço de formas e exploração de formas, superando métodos de ponta.