IPVNet：面向开放表面三维重建的隐式点-体素特征学习
计算机视觉与模式识别
2023-11-07 v1 图形学
摘要
三维开放表面（例如非水密网格）的重建是计算机视觉中一个未被充分探索的领域。近期基于学习的隐式技术通过支持任意分辨率的重建，消除了以往的障碍。然而，此类方法在重建目标时往往依赖于区分表面的内外以提取零水平集。对于开放表面，这种区分常导致诸如人为闭合表面缝隙等伪影。而真实世界数据可能包含由显著表面缝隙定义的精细细节。回归无符号距离场的隐式函数已在重建此类开放表面方面展现出潜力。尽管如此，当前的无符号隐式方法依赖于原始数据的离散化表示。这不仅将学习过程限制在该表示的分辨率上，还会在重建中引入离群点。为了实现开放表面的精确重建且不引入离群点，我们提出了一种基于学习的隐式点-体素模型（IPVNet）。IPVNet通过利用原始点云数据及其离散化体素对应表示，预测表面与三维空间中查询点之间的无符号距离。在合成与真实世界公开数据集上的实验表明，IPVNet优于当前最优方法，同时在重建结果中产生远更少的离群点。
引用
@article{arxiv.2311.02552,
title = {IPVNet: Learning Implicit Point-Voxel Features for Open-Surface 3D Reconstruction},
author = {Mohammad Samiul Arshad and William J. Beksi},
journal= {arXiv preprint arXiv:2311.02552},
year = {2023}
}
备注
To be published in the Journal of Visual Communication and Image Representation. arXiv admin note: substantial text overlap with arXiv:2210.15059