混合去噪可泛化占据网络

尽管当前最先进的泛化隐式神经形状模型依赖于卷积的归纳偏置，但此类偏置产生的性质如何与从点云进行 3D 重建的任务相容仍不完全清楚。我们在此背景下探索一种替代的泛化方法。我们放宽了内在模型偏置（即使用 MLP 而非卷积来编码局部特征），并用一个与重建任务相关的辅助正则化即去噪来约束假设空间。所得模型是首个且仅由 MLP 构成的局部条件化隐式形状重建（从点云）网络，具有快速前馈推理。点云特征与去噪偏移由一个完全由 MLP 构成的网络在单次前向传播中预测。解码器通过以去噪相对位置编码为指导，以顺序不变的方式从点云汇集邻近特征，预测空间中任意查询点的占据概率。我们在使用一半模型参数量的同时优于最先进的卷积方法。