I-Filtrado: Filtrado implícito para el aprendizaje de funciones de distancia neural de nubes de puntos 3D | JoVE Visualize

Área de la Ciencia:

Visión por computadora
Gráficos por computadora
Aprendizaje profundo geométrico

Sus antecedentes:

Las funciones neuronales implícitas como las funciones de distancia firmadas (SDF) y las funciones de distancia no firmadas (UDF) sobresalen en el ajuste de la geometría de la forma.
Inferir campos de distancia continuos de nubes de puntos discretas y no orientadas sigue siendo un desafío, que a menudo resulta en superficies ásperas que omiten detalles geométricos finos.

Objetivo del estudio:

Proponer un nuevo filtro implícito no lineal para suavizar los campos implícitos mientras se conservan los detalles geométricos de alta frecuencia.
Extender el filtrado implícito a conjuntos de nivel no cero para una regularización consistente del conjunto de nivel cero.
Adaptar el método de filtrado para los UDF utilizando un esquema de entrenamiento inmutable de gradiente y mejorar la reconstrucción de visión dispersa.

Principales métodos:

Se propone un filtro implícito no lineal para suavizar el campo implícito mediante el filtrado de la superficie (conjunto de nivel cero) utilizando puntos vecinos y gradientes del SDF.
El filtrado se extiende a conjuntos de niveles distintos de cero moviendo las nubes de puntos de entrada a lo largo del gradiente, asegurando la consistencia entre los conjuntos de niveles.
Se desarrolla un esquema de entrenamiento inmutable de gradiente para aplicar el filtro a los UDF, abordando la no diferenciabilidad en el conjunto de nivel cero.

Principales resultados:

El método de filtrado implícito propuesto suaviza eficazmente los campos implícitos conservando al mismo tiempo detalles geométricos finos como los bordes y las esquinas.
El método demuestra un rendimiento mejorado en la reconstrucción de superficies a partir de objetos, escenas complejas e imágenes de múltiples vistas.
Se observan mejoras significativas en la reconstrucción de visión dispersa, la estimación normal de puntos y las tareas de muestreo de nubes de puntos en comparación con los métodos más avanzados.

Conclusiones:

El nuevo filtro implícito mejora la precisión y la preservación de detalles de las funciones neuronales implícitas para la representación de formas en 3D.
El esquema de entrenamiento inmutable de gradiente adapta con éxito la técnica de filtrado para los UDF, ampliando su aplicabilidad.
El método ofrece una solución robusta para varias tareas de aprendizaje profundo geométrico, incluida la reconstrucción, la estimación normal y el upsampling.