神经-IMLS:自主监督的隐式移动最小方形网络用于表面重建

科学领域:

• 计算机视觉 计算机视觉
• 几何深度学习 几何深度学习
• 3D重建的3D重建

背景情况:

• 从点云中重建表面是很困难的,尤其是在杂的现实世界扫描中,缺乏正常信息.
• 现有的方法与噪音,缺失的数据和未定向的点云作斗争.

研究的目的:

• 介绍Neural-IMLS,一种新的自我监督方法,用于强大的表面重建.
• 直接从未定向的点云中学习一个耐噪声的签名距离函数 (SDF).

主要方法:

• 使用双表示学习方法,结合多层感知器 (MLP) 和隐式移动最小平方 (IMLS).
• 采用相互规范化机制,MLP和IMLS相互增强SDF和正常估计.
• 自主监督学习框架直接处理原始,无定向的点云.

主要成果:

• 神经IMLS成功地从杂和不完整的点云中重建了忠实的形状.
• 该方法在各种合成和真实扫描基准上显示出稳定性.
• 由于协同的MLP-IMLS相互作用,可以实现精确的几何细节和利的特征.

结论:

• 神经IMLS为3D表面重建提供了强大且耐噪声的解决方案.
• 自主监督,双重表示的学习方法有效地处理具有挑战性的输入数据.
• 学习的SDF准确地近似了底层表面,即使有大量的噪音和缺失的数据.