HSDF:用于任意拓的表面的神经表示的混合信号和距离场

科学领域:

• 计算机视觉 计算机视觉
• 计算机图形 计算机图形
• 机器学习 机器学习

背景情况:

• 使用标记距离场 (SDF) 的神经隐性函数在3D模型重建方面表现出色,但仅限于封闭的表面.
• 无符号距离函数 (UDF) 处理开放的表面,但产生点云,使网格提取复杂化.

研究的目的:

• 开发一种新的神经隐性表示,能够处理具有任意拓的开放和封闭表面.
• 为了使开放表面从离散点进行高质量的网格提取.
• 通过支持开放表面染来改进下游任务,如神经染.

主要方法:

• 介绍了HSDF (混合标记距离场),一种结合SDF和UDF属性的新型神经隐性表示.
• 建议与UDF预测一起学习额外的标志场,以指导表面定位.
• 开发了HSDF-Net,一个框架将HSDF的学习分成两个子问题.
• 采用了自适应性网格方法,从确定的表面区域有效生成多边形网格.

主要成果:

• HSDF成功地表示任意的拓,包括封闭和开放的表面.
• 该方法可轻松实现与现有的异地表面提取技术兼容的现场转换为网格.
• 通过HSDF,可以为开放的表面染背面,从而使神经染应用受益.
• 在经过测试的数据集上,HSDF与最先进的方法相比,表现出优越的定性和数量性能.

结论:

• HSDF提供了用于3D重建的多功能神经隐性表示,克服了SDF和UDF的局限性.
• 拟议的方法简化了网格提取,并增强了诸如神经染等任务的能力.
• HSDF-Net为学习这种混合表示提供了一个有效的框架.