输入：一个三维形状以及从各种视点捕获的同一类对象的大量照片。
目标：训练形状感知纹理生成器。
注：对照片没有具体要求，可以是从互联网上随机下载的照片。
参数化(Texture Parameterization)：将三维模型参数化为一个基于视图的纹理图谱，通过轮廓提供形状条件。
语义对齐：一个好的参数化应该遵循形状的语义，便于将语义纹理的生成与其在纹理中的位置联系起来。然而，全自动语义对齐是很难的。因此，选择使用基于视图的纹理投影参数化，作者定义了前、后、左、右、顶、底视点，并将投影坐标指定为顶点的纹理坐标。
鉴别器(Discriminator)的作用：每个鉴别器对照从相似视点观看的样例图像检查生成的纹理。如果所有的视图都通过了鉴别器，则认为纹理生成成功。
注：Xiao Li, Yue Dong, Pieter Peers, and Xin Tong. Synthesizing 3d shapes from silhouette image collections using multi-projection generative adversarial networks. In CVPR,pages 5535–5544, 2019.从轮廓图像获得粗略的视点估计，并基于视点类别将训练图像划分为不同类别。
如何保证chart间语义一致？
令每个视图包括来自多个chart的纹理（例如，在左视图和前视图之间），使得每个鉴别器可以同时向多个生成器提供梯度。
防止鉴别器记忆背景：将每张照片中的背景替换为纯色。
防止鉴别器记忆轮廓：给定照片中的轮廓，生成图像(用现有的GAN很容易训练 )，将其加入一起进行训练，从而将鉴别器训练的重点放在内容上，而不是轮廓上。
消除轮廓的大小和位置影响：在传递到鉴别器之前，应用一个随机比例和一个随机移位。