基于Delaunay三角剖分的3D形状表示学习 学术背景 在计算机视觉和图形学领域，从点云数据中重建表面是一个长期存在的问题。传统的隐式方法（如Poisson表面重建）通过计算隐式函数并使用Marching Cubes算法提取表面，虽然能够生成水密（watertight）的网格，但在处理复杂结构时往往会导致细节丢失和过度平滑。另一方面，显式方法（如Delaunay三角剖分）通过点集的三角剖分直接构建网格，能够更好地保留尖锐特征和细节，但在复杂拓扑结构上推断三角形连接性仍然具有挑战性。 近年来，基于学习的方法在表面重建任务中取得了显著进展。然而，现有的学习型显式方法在处理复杂结构时仍然存在困难，尤其是在推断局部形状连接性时，容易产生伪影和非水密三角形。为了解决这些问题，本文提出了一种基于Del...

基于高阶几何结构建模的点云无监督领域适配 研究背景及动因 点云数据是一种描述三维空间的关键数据形式，广泛应用于自动驾驶、遥感等现实场景中。点云可以捕获精确的几何信息，但在跨设备或跨场景应用时，采集点云的几何特性可能会由于传感器噪声、采样方式及环境影响而发生显著改变。这种显著的几何变化（即领域间差距，domain gap），导致了在一个领域进行训练的神经网络难以在其他领域上保持性能。这一问题限制了点云深度学习方法在实际应用中的推广。 目前，无监督领域适配（Unsupervised Domain Adaptation, UDA）为解决这一问题提供了一种有效途径。其核心目标是将源领域（有标签数据）的知识迁移至目标领域（无标签数据），通过学习共享结果的跨域特征表征来缩小领域间差距。然而，已有方法主要...