Probabilistic Directed Distance Fields for Ray-Based Shape Representations

在现代计算机视觉中，三维形状的最佳表示仍然取决于任务。应用于这种表示的一个基本操作是可微渲染，因为它可以在学习框架中启用反向图形方法。标准的显式形状表示（体素、点云或网格）通常很容易渲染，但可能存在几何保真度有限等问题。另一方面，隐式表示（占据、距离或辐射场）保留更高的保真度，但受到复杂或低效的渲染过程的影响，限制了可扩展性。在这项工作中，我们设计了有向距离场（DDFs），这是一种建立在经典距离场基础上的新型神经形状表示。DDF中的基本操作将定向点（位置和方向）映射到表面可见性和深度。这使得渲染变得高效且可微，每个像素只需进行一次前向传递即可获得深度，并且只需进行额外的反向传递即可提取微分几何量（例如表面法线）。使用概率DDFs（PDDFs），我们展示了如何对基础场中的内在不连续性进行建模。然后，我们将DDFs应用于几个应用程序，包括单形状拟合、生成建模和单图像三维重建，通过我们表示的多功能性和简单的架构组件展示了强大的性能。最后，由于DDFs的维度允许视角相关的几何伪影，我们对实现视角一致性所需的约束进行了理论研究。我们发现一小组场属性足以保证DDF的一致性，而无需知道场表达的形状是什么。

论文提出了Directed Distance Fields (DDFs)这一新的神经形状表示方法，旨在解决现有形状表示方法在几何保真度和渲染效率之间的折衷问题。同时，还试图探索DDFs在不同应用场景下的表现。

DDFs是一种基于经典距离场的神经形状表示方法，能够高效地进行可微分渲染和几何量提取。而且，通过引入概率DDFs (PDDFs)，还可以对表示的形状中的不连续性进行建模。

论文将DDFs应用于单形状拟合、生成模型和单图像3D重建等多个应用场景，并在实验中展现了良好的表现。此外，论文还研究了DDFs的视角一致性问题，并提出了满足视角一致性的关键性质。论文使用了公开数据集，并提供了开源代码。

在相关研究方面，最近的一些相关论文包括：《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《Occupancy Networks: Learning 3D Reconstruction in Function Space》等。