4Deform：用于稳健形状插值的神经表面变形
计算机视觉与模式识别
2025-02-28 v1
摘要
在计算机视觉中，生成非刚性变形形状之间的逼真中间形状是一项具有挑战性的任务，尤其是当数据非结构化（如点云）且缺乏帧间的时间一致性，拓扑结构变化时。大多数插值方法针对结构化数据（即网格）设计，不适用于真实世界的点云。相反，我们的方法 4Deform 利用神经隐式表示（NIR）实现自由拓扑变形的形状变形。不同于学习顶点变形场的网格基方法，本方法学习欧几里得空间中的连续速度场，从而适用于非结构化数据如点云。此外，本方法在训练期间无需中间形状监督，仅通过物理和几何约束对速度场进行正则化。我们采用修改版等高线方程重建中间表面，直接将 NIR 与速度场关联。实验表明，本方法在多种场景（如噪声、部分遮挡、拓扑变化、非等距形状）下显著优于先前的 NIR 方法，并首次实现了4D Kinect序列上采样和真实世界高分辨率网格变形等新应用。
引用
@article{arxiv.2502.20208,
title = {4Deform: Neural Surface Deformation for Robust Shape Interpolation},
author = {Lu Sang and Zehranaz Canfes and Dongliang Cao and Riccardo Marin and Florian Bernard and Daniel Cremers},
journal= {arXiv preprint arXiv:2502.20208},
year = {2025}
}
备注
CVPR25