通过 Lipschitz 正则化学习光滑神经函数
计算机视觉与模式识别
2022-05-11 v2 图形学
摘要
神经隐式场近来已成为一种有用的 3D 形状表示。这些场通常表示为神经网络，将潜在描述符和 3D 坐标映射到隐式函数值。神经场的潜在描述符充当其所表示 3D 形状的形变手柄。因此，相对于该描述符的光滑性对于执行形状编辑操作至关重要。在本工作中，我们引入一种新颖的正则化方法，通过惩罚场的 Lipschitz 常数上界来鼓励神经场中光滑的潜在空间。与先前的 Lipschitz 正则化网络相比，我们的方法计算快速，可用四行代码实现，且对几何应用只需极少的超参数调优。我们在形状插值与外推以及从 3D 点云进行部分形状重建上展示了我们方法的有效性，显示出相对于现有 SOTA 和非正则化基线的定性与定量改进。
引用
@article{arxiv.2202.08345,
title = {Learning Smooth Neural Functions via Lipschitz Regularization},
author = {Hsueh-Ti Derek Liu and Francis Williams and Alec Jacobson and Sanja Fidler and Or Litany},
journal= {arXiv preprint arXiv:2202.08345},
year = {2022}
}