CoFie: Learning Compact Neural Surface Representations with Coordinate Fields

本文介绍了一种新型的局部几何感知神经表面表示方法CoFie。CoFie的设计基于对局部有二次逼近的SDF的理论分析。研究发现，当使用法向量和切向量定义的对齐坐标系时，局部形状高度可压缩。因此，引入了Coordinate Field，该方法将所有局部形状的坐标系合成一个可优化的坐标场，用于将局部形状从世界坐标系转换为对齐坐标系，从而大大降低了局部形状的复杂度，有利于基于MLP的隐式表示学习。此外，还引入了二次层以增强对局部形状几何的表达能力。CoFie是一种通用的表面表示方法，经过训练后可用于测试时的新形状实例。在使用与之前相同数量的参数时，CoFie在训练和未见过的形状类别的新实例上将形状误差降低了48％和56％。此外，当仅使用70％的参数时，CoFie表现出与之前相当的性能。

论文旨在提出一种新的局部几何感知的神经表面表示方法，以解决现有方法对于局部形状的复杂性和表达能力的限制。

论文提出了Coordinate Field（CoFie）的概念，将所有局部形状的坐标系合成为一个可优化的坐标场，从而将局部形状从世界坐标系转换到局部坐标系，大大降低了局部形状的复杂性，提高了MLP隐式表达的学习效果。此外，论文还引入了二次层来增强局部形状几何方面的表达能力。

论文的实验结果表明，相比于之前的方法，CoFie在同样的参数数量下，可以将形状误差降低48%到56%，并且在使用70%更少的参数时，表现与之前的方法相当。此外，CoFie是一种通用的表面表示方法，可以在新形状实例上进行测试。

最近相关研究包括DeepSDF、DISN、PIFu等。