显式神经曲面：用形变场学习连续几何
计算机视觉与模式识别
2023-12-12 v3 图形学
摘要
我们提出显式神经曲面（ENS），一种高效的平滑曲面表示，它通过已知基域的形变场直接编码拓扑。我们将该表示应用于从多视图重建显式曲面，使用一系列神经形变场逐步将基域变换为目标形状。通过使用网格作为离散曲面代理，我们通过高效的可微光栅化训练形变场。使用固定基域使我们拥有 Laplace-Beltrami 本征函数作为内蕴位置编码，以及标准外蕴 Fourier 特征，借此我们的方法能捕捉精细曲面细节。与隐式曲面相比，ENS 训练更快且推理速度快数个数量级。我们方法的显式特性也允许更高质量的网格提取，同时保持有竞争力的曲面重建性能与实时能力。
引用
@article{arxiv.2306.02956,
title = {Explicit Neural Surfaces: Learning Continuous Geometry With Deformation Fields},
author = {Thomas Walker and Octave Mariotti and Amir Vaxman and Hakan Bilen},
journal= {arXiv preprint arXiv:2306.02956},
year = {2023}
}