基于动态码云学习三维形状的深度隐式函数
计算机视觉与模式识别
2022-03-31 v2
摘要
深度隐式函数（DIF）作为一种高效的3D形状表示已广受欢迎。为捕捉几何细节，现有方法通常使用局部潜码学习DIF，将空间离散为正则3D网格（或八叉树）并在网格点（或八叉树节点）存储局部码。给定查询点，其局部特征通过插值其相邻局部码及其位置计算得到。然而，局部码被约束在网格点等离散正则位置，使得码位置难以优化并限制了表示能力。为解决该问题，我们提出以动态码云学习DIF，称为DCC-DIF。我们的方法将局部码显式关联于可学习位置向量，且位置向量连续并可动态优化，从而提升表示能力。此外，我们提出一种新颖的码位置损失来优化码位置，启发式地引导更多局部码分布于复杂几何细节周围。与先前方法相比，我们的DCC-DIF以少量局部码更高效地表示3D形状，并提升重建质量。实验表明DCC-DIF相较先前方法取得更优性能。代码与数据见 https://github.com/lity20/DCCDIF。
引用
@article{arxiv.2203.14048,
title = {Learning Deep Implicit Functions for 3D Shapes with Dynamic Code Clouds},
author = {Tianyang Li and Xin Wen and Yu-Shen Liu and Hua Su and Zhizhong Han},
journal= {arXiv preprint arXiv:2203.14048},
year = {2022}
}
备注
Accepted by CVPR 2022