对3D物体进行编辑是动画创建和计算机辅助设计中的关键，为了实现逼真自然的3D物体变形，物理和微分几何提供了各种分析先验来定义自然网格的变形，例如弹性、拉普拉斯平滑度和刚性先验。尽管这些算法可以保留原始模型的几何细节，然而对真实变形的建模能力仍然有限，因为变形先验是无关区域的。

在今年的NeurIPS 2022上，慕尼黑工业大学视觉计算组在读博士唐佳鹏等人提出神经形变先验，这是一种用于3D形状操纵的新方法，用户可以移动控制手柄来预测非刚性对象（动物等）的网格变形。

为了对具有不同姿态的源网格进行形状编辑，唐佳鹏博士等人通过规范化学习形变，源网格首先通过向后变形场变换到规范空间，然后再通过向前变形场变换到目标空间。为了获得更详细的表面变形并对不可见的变形有更好的泛化能力，唐佳鹏博士等人还提出基于Transformer的变形网络TD-Net，能够在用户驱动的形状操纵任务中学习形变先验，将形变表示为局部表面变形的组合。

在DeformingThing4D数据集上的验证表明，神经形变先验拥有良好的三维形状编辑能力，并且优于传统的基于优化和基于神经网络的方法。

11月18日晚7点，「AI新青年讲座」第171讲邀请到慕尼黑工业大学视觉计算组在读博士唐佳鹏参与，主讲《基于非刚体形变先验的三维形状编辑》。