CN-DHF：三维形状的紧凑神经双高度场表示
计算机视觉与模式识别
2023-04-28 v2 图形学
摘要
我们提出 CN-DHF（Compact Neural Double-Height-Field，紧凑神经双高度场），一种新颖的混合神经隐式三维形状表示，其紧凑性远超当前最先进水平。我们的表示利用双高度场（DHF）几何——定义为由一对共享公共轴、方向相反的高度场所界定的闭合形状——并基于以下关键观察：DHF 可紧凑编码为捕捉沿 DHF 轴最大与最小高度的二维神经隐式；且典型闭合三维形状可很好地表示为极少数量（三个或更少）DHF 的交集。我们将输入几何表示为 CNDHF：首先计算其交集能良好近似各输入形状的 DHF 集合，随后通过神经场编码这些 DHF。我们的方法在同等参数量或存储容量下，相较最先进水平将重建误差平均降低 2.5 倍，实现高质量重建。在测试的 400 种输入形状与参数量组合中，相较性能最佳替代方法，我们的方法在 94% 的组合上生成了更高精度模型。
引用
@article{arxiv.2304.13141,
title = {CN-DHF: Compact Neural Double Height-Field Representations of 3D Shapes},
author = {Eric Hedlin and Jinfan Yang and Nicholas Vining and Kwang Moo Yi and Alla Sheffer},
journal= {arXiv preprint arXiv:2304.13141},
year = {2023}
}
备注
Eric Hedlin and Jinfan Yang contributed equally to this work