本周论文阅读总结

【粗读】Shape Synthesis from Sketches viaProcedural Models and Convolutional Networks

sketches到 procedural Model的一篇论文，最后的结果三维模型是通过类似形状文法的方法生成的，所以有设定好的固定数量参数的模型，草图送进CNN最后输出模型参数。比如篮子的模型参数有：底面形状、侧面形状、侧壁上的单元参数等等。训练用的数据是用相关算法生成的，所以输入输出都是一一对应的
这一方法的优点是效果好，可以生成很复杂的形状，但是缺点也很明显，泛化性差，必须有对应类别的生成方法所支持，不同类别也要分别训练。

【粗读】3D Shape Reconstruction from Sketches via Multi-view Convolutional Networks

sketch进encode-decode，unet架构，输出的是多个视角的深度图与法向图，然后再根据输出的多视角图像用传统优化算法得到 模型的点云，再进行点云三维重建，最后依照输入的sketch对结果进行细节上的修饰。
优点是深度神经网络的输入和输出都是二维图像，可以借用很多在二维上已经相当成熟的方法。缺点是不端到端，后续处理过程复杂，而且可能会有累计误差。（但看论文中 给出的结果，好像还很不错？）

【精读】3D Sketching using Multi-View Deep Volumetric Prediction

一篇sketch到体素的，特点是在通过单张深度图复原出模型后，后续可以继续通过其他视角下的sketch对模型进行进一步修正。
详见：https://blog.csdn.net/qq_37567000/article/details/89577221

【待读】DeepSketch2Face: A Deep Learning Based Sketching System for 3D Face and Caricature Modeling

sketch 到人脸的一篇，具体还没细看

【精读】3D-PRNN: Generating Shape Primitives with Recurrent Neural Networks

深度图到长方体序列，详见 https://blog.csdn.net/qq_37567000/article/details/89482596

【精读】Im2Struct: Recovering 3D Shape Structure from a Single RGB Image

RGB彩图到层级长方体结构，详见 https://blog.csdn.net/qq_37567000/article/details/89482596

【精读】GRASS: Generative Recursive Autoencoders for Shape Structures

img2struct那篇论文的前置论文，层级结构模型的生成、混合 、复原，siggraph2017的，感觉很棒
详见：https://blog.csdn.net/qq_37567000/article/details/89492446