DeepJoin：学习用于形状修复的占据、有符号距离与法向场联合函数
计算机视觉与模式识别
2022-11-23 v1
摘要
我们提出 DeepJoin，一种利用深度神经网络为破碎形状生成高分辨率修复的自动化方法。现有的自动化形状修复方法仅作用于对称物体、需要完整的代理形状，或使用过低分辨率体素预测修复形状，过于粗糙而无法用于物理修复。我们通过从输入的破碎形状推断对应的完整形状与断裂面，生成高分辨率修复形状。我们提出一种用于破碎形状修复的新型隐式形状表示，其结合了占据函数、有符号距离函数与法向场。我们利用该方法对来自 ShapeNet 的合成破碎物体、Google Scanned Objects 数据集的 3D 扫描、QP Cultural Heritage 数据集中古希腊陶器风格物体以及真实破碎物体进行了修复演示。在倒角距离与法向一致性方面，我们优于三种基线方法。与现有方法及基于减法的修复不同，DeepJoin 的修复不显现表面伪影，并与破碎形状的断裂区域紧密接合。我们的代码见：https://github.com/Terascale-All-sensing-Research-Studio/DeepJoin。
引用
@article{arxiv.2211.12400,
title = {DeepJoin: Learning a Joint Occupancy, Signed Distance, and Normal Field Function for Shape Repair},
author = {Nikolas Lamb and Sean Banerjee and Natasha Kholgade Banerjee},
journal= {arXiv preprint arXiv:2211.12400},
year = {2022}
}
备注
To be published at SIGGRAPH Asia 2022 (Journal)