用于三维重建的深度隐式移动最小二乘函数
计算机视觉与模式识别
2021-04-07 v2 图形学
摘要
点集是一种灵活且轻量的表示，广泛用于三维深度学习。然而，其离散性使其无法表示连续且精细的几何，这对基于学习的形状生成构成主要问题。在本工作中，我们通过引入著名的隐式移动最小二乘（IMLS）曲面公式将点集转化为光滑曲面，该公式自然地在 point sets 上定义局部隐式函数。我们将 IMLS 曲面生成整合进深度神经网络，以同时继承点集的灵活性与隐式曲面的高质量。我们的 IMLSNet 预测八叉树结构作为脚手架，在需要处生成 MLS 点，并用学习到的局部先验刻画形状几何。此外，一旦预测出 MLS 点，我们的隐式函数评估便独立于神经网络，从而实现快速运行时评估。我们在三维物体重建上的实验表明，IMLSNet 在重建质量与计算效率上优于最先进的基于学习的方法。大量消融实验也验证了我们的网络设计与损失函数。
引用
@article{arxiv.2103.12266,
title = {Deep Implicit Moving Least-Squares Functions for 3D Reconstruction},
author = {Shi-Lin Liu and Hao-Xiang Guo and Hao Pan and Peng-Shuai Wang and Xin Tong and Yang Liu},
journal= {arXiv preprint arXiv:2103.12266},
year = {2021}
}
备注
Accepted by CVPR 2021, Code: https://github.com/Andy97/DeepMLS