Mesh Processing Non-Meshes via Neural Displacement Fields

网格处理流程已经相当成熟，但将其适配到较新的非网格曲面表示方法时却面临挑战——这些新方法虽然能够以更小的文件体积实现快速渲染，但通常需要耗费大量资源的网格化处理或传输庞大的网格数据，从而抵消了它们在流式应用中的核心优势。我们提出了一种紧凑的神经场方法，能够对多种不同的曲面表示执行常见的几何处理任务。对于给定的输入曲面，我们的方法会学习一个从其粗糙网格近似到实际曲面的神经映射。整个表示仅需几百KB的存储空间，非常适合轻量级传输。我们的方法可以快速提取流形网格和Delaunay网格，用于内在的形状分析；同时还能压缩标量场，高效传输代价高昂的预计算结果。实验与应用表明，这种快速、紧凑且精确的方法为交互式几何处理开辟了新的可能性。

论文试图解决几何处理中适应新型非网格表面表示的挑战，这些新型表示虽然能够实现快速渲染和紧凑文件大小，但当前的网格处理流水线需要昂贵的网格化或传输庞大的网格数据，从而抵消了其核心优势。

论文提出了一种紧凑的神经场方法，能够对多种表面表示执行常见的几何处理任务。其关键思路是学习从输入表面的粗糙网格近似到实际表面的神经映射，从而实现轻量级传输和高效的几何处理。

1. 该方法的完整表示仅需几百KB，非常适合轻量级传输。 2. 支持快速提取流形和Delaunay网格，用于内在形状分析。 3. 可压缩标量场，提高预计算结果的传输效率。 4. 实验表明该方法在速度、精度和压缩率方面具有优势。 5. 为交互式几何处理开辟了新可能性。

1. NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis 2. DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation 3. Occupancy Networks: Learning 3D Shape Representation Without 3D Supervision 4. MeshCNN: A Network with an Edge for 3D Mesh Learning