论文笔记：《FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation》

1.介绍 三维点云处理通常被认为比二维图像更具挑战性，这主要是因为点云样本存在于不规则的结构上，而二维图像样本(像素)依赖于图像平面上具有规则间距的2D网格。点云几何通常由一组稀疏的三维点表示。这种数据格式使得传统的深度学习框架难以应用。例如：对于每个样本，传统的卷积神经网络(CNN)要求相邻样本出现在一定的空间方向和距离上，以便于卷积。点云通常不遵循这样的约束。之前的方法大都是将三维空间划分为规

>>阅读原文<<