ポリゴンメッシュはデジタル3Dドメインのいたるところに存在しますが、ディープラーニング革命において小さな役割しか果たしていません。形状の生成モデルを学習するための主要な方法は、陰関数に依存しており、高価な等表面化ルーチンの後でのみメッシュを生成します。
これらの課題を克服するために、3D学習を容易にするために、コンピューターグラフィックスのバイナリ空間分割（BSP）からの古典的な空間データ構造に触発され、新しい手法をサイモン・フレイザー大とGoogle Researchの研究チームが開発しています。
BSPの核となる要素は、凸集合を取得するために空間を再帰的に分割する操作で、この特性を利用して、凸分解によって3D形状を表すことを学習するネットワークであるBSP-Netを考案し、2020年度のCVPRに寄稿しています。BSPNetは教師学習なしのため、トレーニングに凸形の分解は必要なく、ネットワークは、一連の平面上に構築されたBSPtreeから取得された一連の凸を使用して形状を再構築するようにトレーニングされるそうです。
BSPNetによって推論された凸面は、等平面化を必要とせずに、簡単に抽出してポリゴンメッシュを形成でき、生成されたメッシュはコンパクト（低ポリゴン）で、シャープなジオメトリを表すのに適しているそうです。また、動画の最後にあるように、￥BSP-NetとCvxNetとの出力比較もおこなっています。
Follow @aurordesign [1] : Chen, Z., Tagliasacchi, A., & Zhang, H. (2020). BSP-Net: Generating Compact Meshes via Binary Space Partitioning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 45-54).
