DUDE：用于复杂 3D 表面高保真表示的无符号深度距离嵌入
计算机视觉与模式识别
2020-12-15 v2
摘要
具有任意拓扑形状的高保真表示是多种视觉与图形应用中的重要问题。由于点云、体素和网格等经典离散形状表示分辨率有限，在这些应用中会产生低质量结果。已有若干使用深度神经网络的隐式 3D 形状表示方法被提出，在表示质量及下游应用影响上均带来显著改进。然而，这些方法只能用于表示拓扑封闭的形状，这极大限制了它们可表示的形状类别。因此，它们通常还需要干净、水密的网格用于训练。在这项工作中，我们提出 DUDE——一种深度无符号距离嵌入（Deep Unsigned Distance Embedding）方法，它缓解了上述两个缺陷。DUDE 是一种解耦的形状表示，利用无符号距离场（uDF）表示到表面的邻近度，以及法向量场（nVF）表示表面朝向。我们表明，这两者（uDF+nVF）的组合可用于学习任意开放/封闭形状的高保真表示。与 DeepSDF 等先前工作不同，我们的形状表示可直接从带噪声的三角面片汤（triangle soups）中学习，且不需要水密网格。此外，我们提出了从学习到的表示中提取和渲染等值面的新算法。我们在基准 3D 数据集上验证了 DUDE，并证明其相较最先进水平（SOTA）有显著改进。
引用
@article{arxiv.2011.02570,
title = {DUDE: Deep Unsigned Distance Embeddings for Hi-Fidelity Representation of Complex 3D Surfaces},
author = {Rahul Venkatesh and Sarthak Sharma and Aurobrata Ghosh and Laszlo Jeni and Maneesh Singh},
journal= {arXiv preprint arXiv:2011.02570},
year = {2020}
}