CoFie: 利用坐标场学习紧凑的神经表面表示
计算机视觉与模式识别
2024-06-06 v1 图形学
摘要
本文介绍了CoFie，一种新颖的局部几何感知神经表面表示。CoFie的动机来自对局部SDF的二次近似的理论分析。我们发现，在由局部表面的法线和切线方向定义的对齐坐标框架中，局部形状具有高度可压缩性。因此，我们引入了坐标场(Coordinate Field)，它是所有局部形状的坐标框架的组合。坐标场是可优化的，用于将局部形状从世界坐标框架转换到对齐的形状坐标框架。它大大降低了局部形状的复杂性，并有利于基于MLP的隐式表示的学习。此外，我们在MLP中引入了二次层，以增强对局部形状几何的表达能力。CoFie是一种可泛化的表面表示。它在精心挑选的3D形状集上训练，并在测试时适用于新的形状实例。当使用与先前工作相同数量的参数时，CoFie在训练和未见形状类别的新实例上将形状误差分别降低了48%和56%。此外，当仅使用70%的参数时，CoFie表现出与先前工作相当的性能。
引用
@article{arxiv.2406.03417,
title = {CoFie: Learning Compact Neural Surface Representations with Coordinate Fields},
author = {Hanwen Jiang and Haitao Yang and Georgios Pavlakos and Qixing Huang},
journal= {arXiv preprint arXiv:2406.03417},
year = {2024}
}
备注
Project page: https://hwjiang1510.github.io/CoFie/