用于表示神经签名距离函数的紧凑潜在空间学习：高保真几何细节
计算机视觉与模式识别
2025-11-19 v1
摘要
神经签名距离函数（SDF）是表示 3D 形状或场景的重要神经网络方法。SDF 是一种隐式函数，可在特定坐标查询签名距离以恢复 3D 表面。虽然隐式函数对单个形状或场景效果良好，但在处理多个具有高保真几何细节的 SDF 时，由于潜在空间编码信息有限以及几何细节丢失，存在显著障碍。为此我们提出方法，在共同空间中表示多个 SDF，旨在以更紧凑的潜在表示恢复更多高保真几何细节。我们的核心思想是充分发挥基于泛化与基于过拟合学习策略的优势，成功在紧凑潜在代码下保留高保真几何细节。基于此框架，我们还引入新型采样策略用于采样训练查询。该采样可提升训练效率，消除其他 SDF 影响导致的伪影。我们在广泛使用的基准数据集上进行数值与可视化评估，验证设计优势，显示相较于最新方法在表征能力与紧凑性方面具有显著优势。
引用
@article{arxiv.2511.14539,
title = {Learning Compact Latent Space for Representing Neural Signed Distance Functions with High-fidelity Geometry Details},
author = {Qiang Bai and Bojian Wu and Xi Yang and Zhizhong Han},
journal= {arXiv preprint arXiv:2511.14539},
year = {2025}
}
备注
Accepted as an Poster paper at the AAAI Conference on Artificial Intelligence (AAAI-26)