MeshFeat: Multi-Resolution Features for Neural Fields on Meshes

参数特征网格编码因其可以使用更小的多层感知机（MLP），从而显著减少模型推理时间，已成为神经场编码方法中备受关注的一种。在本文中，我们提出了MeshFeat，一种针对网格定制的参数特征编码，我们从欧几里得空间的多分辨率特征网格的思想出发，为网格构建了一个多分辨率特征表示。我们从所给顶点拓扑结构出发，使用网格简化算法直接在网格上构建多分辨率特征表示。该方法允许在网格上使用小型MLP进行神经场表示，相比之前的表示方法，我们展示了显著的加速效果，同时保持了纹理重建和BRDF表示的可比较的重建质量。由于该方法与顶点固有耦合，因此特别适用于表示变形网格，非常适合物体动画。

本文提出了一种适用于网格的参数化特征编码方法，旨在解决神经场模型中大型MLPs带来的推理时间问题。同时，该方法可用于变形网格的表示，适用于物体动画。

该方法基于给定的顶点拓扑结构，利用网格简化算法在网格上构建多分辨率特征表示，使得在网格上神经场模型中使用小型MLPs成为可能，从而大大减少了推理时间。

该方法在纹理重建和BRDF表示方面具有可比性的重建质量，同时推理速度显著提高。实验使用了公开数据集，并提供了开源代码。

最近相关研究包括：《MeshCNN: A Network with an Edge》、《Neural Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows》等。