Implicit Filtering for Learning Neural Signed Distance Functions from 3D Point Clouds

2024年07月18日
  • 简介
    神经符号距离函数(SDF)已经展示了在拟合形状几何方面的强大能力。然而,从离散无向点云推断连续符号距离场仍然是一个挑战。神经网络通常用粗糙的表面拟合形状,并省略细粒度的几何细节,例如形状的边缘和角落。在本文中,我们提出了一种新颖的非线性隐式滤波器,以平滑隐式场同时保留高频几何细节。我们的创新在于,我们可以通过带有符号距离场梯度的邻居输入点来过滤表面(零级集)。通过沿着梯度移动输入原始点云,我们提出的隐式滤波器可以扩展到非零级集,以保持不同级集之间的承诺一致性,从而导致更好的零级集正则化。我们在物体和复杂场景点云的表面重建中进行了全面的实验,数值和视觉比较证明了我们在广泛使用的基准测试下超越了最先进的方法。
  • 图表
  • 解决问题
    论文旨在解决从离散无方向点云中推断连续符号距离场的挑战,以及神经网络在拟合形状几何时遗漏细粒度几何细节的问题。
  • 关键思路
    论文提出了一种新颖的非线性隐式滤波器,可以在保留高频几何细节的同时平滑隐式场,通过使用带有符号距离场梯度的邻域输入点来过滤表面(零级集),通过沿着梯度移动输入原始点云,可以将我们的隐式滤波器扩展到非零级集,从而保持不同级集之间的承诺一致性,这导致更好的零级集正则化。
  • 其它亮点
    论文在物体和复杂场景点云的表面重建方面进行了全面的实验,数值和视觉比较证明了我们在广泛使用的基准测试中超越了最先进的方法。实验使用了ShapeNet和KITTI数据集,并提供了开源代码。
  • 相关研究
    最近的相关研究包括《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human Digitization》等。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论