基于 SDF 的 3D 形状局部几何编码学习
计算机视觉与模式识别
2021-08-20 v1
摘要
有符号距离函数 (SDF) 作为 3D 形状描述符，是表示用于渲染与重建的 3D 几何最有效的方式之一。我们的工作受最先进方法 DeepSDF 的启发，该方法将其壳层的等值面作为 3D 形状进行学习与解析，并在 3D 形状重建与压缩领域展现出良好前景。本文考虑了因 DeepSDF 模型容量下降而引起的重建退化问题，该模型以神经网络与单一潜码逼近 SDF。我们提出局部几何编码学习 (LGCL)，一种通过从完整 3D 形状的局部形状几何中学习来改进原始 DeepSDF 结果的模型。我们增添一个额外的图神经网络，将单一可传输潜码拆分为分布于 3D 形状上的一组局部潜码。所述潜码用于在其局部区域逼近 SDF，与原始 DeepSDF 相比将降低逼近的复杂度。此外，我们引入一种新的几何损失函数以辅助这些局部潜码的训练。需注意，其他局部形状调整方法使用 3D 体素表示，这反过来成为极难求解甚至不可解的问题。相比之下，我们的架构隐式地基于图处理，并直接在潜码空间执行学习回归过程，从而使所提架构更灵活且易于实现。我们在 3D 形状重建上的实验表明，我们的 LGCL 方法能以显著更小的 SDF 解码器尺寸保留更多细节，并在最重要的量化指标下大幅优于原始 DeepSDF 方法。
引用
@article{arxiv.2108.08593,
title = {3D Shapes Local Geometry Codes Learning with SDF},
author = {Shun Yao and Fei Yang and Yongmei Cheng and Mikhail G. Mozerov},
journal= {arXiv preprint arXiv:2108.08593},
year = {2021}
}
备注
DLGC workshop in ICCV 2021