IRC宣传组 IRC 3月23日
2019年3月21日下午，香港大学的博士生李昌建在山东大学计算机科学与技术学院为我们带来了题目为”RobustFlow-Guided Neural Prediction for Sketch-Based Freeform Surface Modeling”的精彩报告。
二维线能描绘丰富的三维图形的几何特征，如轮廓、山脊和山谷以及剖面线等，为三维图形说明提供了一种简洁直观的方式。其中一种非真实感渲染(NPR)的方法，已经成功实现从三维形状自动提取表达草图。从稀疏二维到三维形状建模的逆过程，也显示了它相对于难以实现某些曲面的传统CAD系统，在自由造型方面的巨大潜力。然而，这个逆问题由于其固有的性质（由于草图的简单性以及2D到3D的过程而产生的模糊性）而更具挑战性。现有的基于草图的建模方法已经能够解决这些模糊性，但是这些方法要么依赖昂贵的用户注释，要么限制建模形状到特定的类别。
李昌建博士向我们介绍了一种从稀疏的、富有表现力的二维草图中建立通用自由曲面模型的方法，该方法通过将卷积神经网络(CNN)合并到草图处理工作流中克服了这两个限制。
一个完整的模型需要正反两面的二维草图。在每个视图中，输入除了包含用户画的灰度草图，还包含其它额外的数据：草图的蒙版以及可选的稀疏深度采样点或者曲率信息。两层CNN网络中的第一层网络是用于预测表面的DFNet，它是通过输入数据来回归得到的一个用来描述最终表面的曲率方向的密度流场。然后把输入数据和密度流场相结合之后再进入第二层网络GeomNet去产生表面的面片，这个面片是通过结合深度和法向图再加上一个置信图来表示的。置信图用来衡量每一个预测像素的歧义程度。背面草图借用了正面的轮廓深度，并通过同样的两层CNN网络来生成背部的面片，最终组合出一个3D的形状。
报告结束后李昌建博士研究生与师生进行了热烈的交流，同学们提出了在报告过程中存在的疑问，李昌建博士也一一解答，让大家对这个项目有了更深的了解。最后大家还讨论了通过草图重建三维模型与VR技术结合的可能性和存在的问题，以及近些年来的研究成果，引发了在场人员的深思。
讲者简介：
Mr.Changjian Li is a final year P.h.Dstudent in the Graphics lab of the University of Hong Kong, supervised by Prof.Wenping Wang. Before he joined Graphics lab, he got hisBachelor’sdegree from Shandong University in 2014. He has a great passion for working onGraphics and Vision research problems. He has a broad range of researchinterests including shape modeling, deep learning, geometry processing, medicalimage processing, and interface design. During his Ph.D. period, he visited Microsoft Research Asia manytimes working on some SIGGRAPH projects and also visited Prof. Alec Jacobson inthe University of Toronto. He published several SIGGRAPH and CVPR papers(Seehis personal page foe details: https://enigma-li.github.io/).
文 / 吴光楠
编 / 潘志一
图 / 潘志一
