利用解析行进高效实现从深度隐式曲面网络学习与网格化
计算机视觉与模式识别
2021-06-21 v1 图形学
摘要
物体或场景表面重建在计算机视觉、计算机图形学与机器人中有巨大应用。本文研究此背景下从隐式场函数恢复表面网格的基本问题，该函数零水平集刻画底层表面。为此，现有方法依赖传统网格化算法；虽有前景，但因行进立方体中使用离散空间采样，它们承受隐式曲面网络中所学精度损失。鉴于带修正线性单元（ReLU）激活的 MLP 将其输入空间划分为若干线性区域，我们受动机将此局部线性与多边形网格期望结果拥有的同一性质相连。更具体地说，我们从基于 MLP 的隐式函数划分的线性区域中，识别与该函零水平集曲面相关的解析单元与解析面。我们证明在温和条件下，所识别解析面保证连接并形成闭合分段平面曲面。基于该定理，我们提出解析行进算法，其在解析单元间行进以精确恢复隐式曲面网络捕获的网格。我们还展示理论与算法同样适用于带快捷连接与最大池化的先进 MLP。鉴于解析行进的并行本质，我们贡献 AnalyticMesh 软件包，支持通过 CUDA 并行计算高效网格化隐式曲面网络，以及用于高效下游处理的网格简化。我们将方法应用于使用隐式曲面网络的生成形状建模不同设置。大量实验证明了我们在网格精度与效率上相对现有方法的优势。
引用
@article{arxiv.2106.10031,
title = {Learning and Meshing from Deep Implicit Surface Networks Using an Efficient Implementation of Analytic Marching},
author = {Jiabao Lei and Kui Jia and Yi Ma},
journal= {arXiv preprint arXiv:2106.10031},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2002.06597