INRet：一种用于形状 INR 精准检索的通用框架
机器学习
2025-01-28 v1
摘要
隐式神经表征（INRs）已成为对各种数据类型（如 3D 对象或场景、图像和视频）进行编码的重要方法，尤其擅长表示 3D 内容，如从 2D 图像重建 3D 场景、创造新 3D 内容以及表示、插值和完成 3D 形状。随着 INR 格式 3D 数据的广泛生成，亟需支持对存储在数据仓库中的 INRs 进行有效组织和检索。INR 检索和聚类的数据仓库中的关键方面是制定 INR 之间的相似性度量标准，从而例如使用查询 INR 检索相似的 INRs。本文提出 INRet，一种用于确定表示形状的 INRs 之间相似性的方法，从而实现从 INR 数据仓库中检索相似形状 INRs。INRet灵活支持各种 INR 架构，如具有八叉树网格、三视图和哈希网格的 INRs，以及各种隐式函数，包括符号距离函数和占用场。我们展示了该方法在准确性和通用性方面优于现有 INR 检索方法，后者仅支持简单的 MLP INRs且要求查询和存储 INRs 使用相同的架构。此外，与将 INRs 转换为其他表示（如点云或多视图图像）进行 3D 形状检索相比，INRet 在准确性方面更高，同时避免了转换开销。
引用
@article{arxiv.2501.15722,
title = {INRet: A General Framework for Accurate Retrieval of INRs for Shapes},
author = {Yushi Guan and Daniel Kwan and Ruofan Liang and Selvakumar Panneer and Nilesh Jain and Nilesh Ahuja and Nandita Vijaykumar},
journal= {arXiv preprint arXiv:2501.15722},
year = {2025}
}
备注
3DV 2025