Voxel Deformation-Aware Neural Intersection Function

我们将局部细分神经交点函数（LSNIF）进一步拓展，以支持参数化形变与动画几何体。本方法借鉴无网格渲染的思想，引入了静息空间（rest-space）与形变空间（deformed-space）的双重表述形式，使得光线采样点可被映射回一个规范化的参考空间；在此空间中，仅需一个神经网络即可在不同姿态下一致地表征几何结构，且无需重新训练。为在考虑形变的训练过程中保持预测精度，我们引入了尺度无关的距离回归、不确定性加权的多任务学习，以及一种混合式位置-网格编码（hybrid positional-grid encoding）。最终得到的方法在保持LSNIF原有紧凑性与高效性的同时，显著提升了对动态几何体进行神经交点预测的鲁棒性。

如何在不重新训练神经网络的前提下，高效、准确地支持参数化变形与动画几何体的神经隐式表示与光线求交（neural intersection prediction），尤其在动态场景下保持几何一致性与计算紧凑性。这是一个新兴且具有实际应用挑战的问题，传统神经隐式方法（如NeRF、SDF-based networks）通常针对静态几何设计，难以泛化至连续形变或骨骼驱动动画。

提出rest-space与deformed-space双空间映射框架，将动态几何的ray sample通过可微形变场回映射至统一的规范（rest）空间，在该空间中复用单个轻量级LSNIF网络进行几何判别；创新性融合尺度不变距离回归（scale-invariant distance regression）、不确定性加权多任务学习（uncertainty-weighted multi-task learning）和混合位置-网格编码（hybrid positional-grid encoding），使网络在形变下仍保持鲁棒的符号距离与交点预测能力。相比现有动态神经隐式方法（如Deformable NeRF、Animatable NeRF），本工作无需每帧/每pose训练子网络或大型形变场，显著提升训练与推理效率。

实验在合成与真实扫描的可变形物体（如FLAME人脸、SMPL人体、弹性网格动画）上验证，支持实时（>30 FPS）光线求交；引入物理启发的尺度不变损失缓解拉伸/压缩导致的距离失真；不确定性加权机制自动平衡SDF回归、交点存在性分类与法向辅助任务；作者开源了代码与基准数据集（LSNIF-Dynamic）；未来方向包括：耦合物理仿真约束、扩展至四维时空连续形变建模、与神经渲染管线端到端联合优化。

Deformable Neural Radiance Fields (Deformable NeRF, CVPR 2021); Animatable Neural Radiance Fields (ANRF, ICCV 2021); Neural Articulated Shape Approximation (NASA, ECCV 2022); Meshless Neural Rendering (MNR, SIGGRAPH 2023); Local Implicit Grid Representations (LIGR, NeurIPS 2022)