Differentiable Convex Polyhedra Optimization from Multi-view Images

本文提出了一种新颖的方法，用于可微分渲染凸多面体，解决了最近依赖于隐式场监督的方法的局限性。我们的技术引入了一种策略，将通过对偶变换的非可微计算超平面交点与可微优化顶点定位相结合，实现了基于梯度的优化，无需3D隐式场。这使得在各种应用中都可以高效地表示形状，从形状解析到紧凑的网格重建。本文不仅克服了以前方法的挑战，还为用凸多面体表示形状设定了新的标准。

本文试图解决凸多面体的可微分渲染问题，解决了依赖于隐式场监督的最近方法的局限性。这是否是一个新问题？

本文提出了一种策略，将对偶变换下的非可微计算的超平面交点与可微优化的三平面交点相结合，实现了基于梯度的优化，无需3D隐式场。相比当前领域的研究状况，这篇论文的思路创新之处在于采用了一种不同的方法来表示凸多面体。

本文不仅克服了以往方法的挑战，而且为使用凸多面体表示形状设置了新的标准。实验设计了一些数据集，使用了哪些数据集，开源了代码，这些都值得关注。这项工作对于形状分析和紧凑网格重建等应用具有重要意义。

最近在这个领域中，还有一些相关的研究，如《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《Learning to Infer Implicit Surfaces without 3D Supervision》等。