多层次部件感知的几何形状分析及3D模型自动生成

Researchers pay more attentions on part-aware shape analysis and modeling, since it plays an important role in human recognition. There are still some challenges in this field such as the robustness of part detection, part decomposition with deep hierarchy, balancing the fitness and diversity of generated models. Based on the local rank representation, mesh spectral theory and deep learning theory, this project aims to study several primary problems in rapid 3D model generation. We intend to explore: 1) non-local feature expressions of different principles for defining parts; 2) the fusion of multiple part features by low rank subspace clustering with proper structural guidance; 3) part-aware spectral analysis method and hierarchical part decomposition based on it; 4)rapid 3D modeling by part mutation and crossover based on the deep learning theory. The research may benefit the existed shape analysis approaches by making the results respecting the human recognition more and increase the fitness of generated models, enhance the control of from the user and generate more creative 3D models.Meanwhile, we wish to offer theory and algorithm support for relative applications.

3D模型一般由若干部件构成，神经生物学研究表明部件是人类感知几何形状的基本单元，基于部件的形状分析和3D模型合成已成为当前计算机图形学研究的热点和难点。目前部件感知的几何造型还存在着部件检测鲁棒性差、分解层次性不强以及合成的合理性和可用性不足等问题亟需解决。本项目拟以低秩表示、谱分析和深度学习理论为基础，以解决基于部件的3D建模中自动的多层次部件提取等关键问题为目的，研究：1)部件的非局部特征表示；2）利用部件结构引导的低秩子空间聚类，自动融合多种部件特征；3）部件感知的谱网格分析和有层次结构的部件分解；4）基于深度学习的部件变异和交叉，得到针对复杂3D模型快速建模方法。对于上述问题的研究，将有助于提高几何形状分析和视觉感知的一致性；加强用户控制和生成模型的合理性，得到更多有创意的3D模型，为相关应用问题提供理论和算法支持。

四年来，项目组主要围绕部件的特征表示，部件的分割与标注，部件的对应和对称性，以及基于部件的模型生成展开了研究。此外还研究了图形和图像的显著性、缺陷检测和修补以及点云的定向和保特征的法向估计问题。本项目执行期间，项目组成员团结协作，取得了一系列的研究成果，在Siggraph， Siggraph Aisa，CVPR，TPAMI等国内外刊物或会议上发表论文20篇，其中SCI检索15篇，EI检索3篇，申请国家发明专利3项（受理）。参加国内及国际会议10人次，参与组织国际学术会议3次。1人访问加拿大西蒙菲莎大学1次，1人访问英国卡迪夫大学1次。项目执行期间，共培养硕士研究生3名，在读研究生4名.