NAISR：一种用于可解释形状表示的 3D 神经加性模型

深度隐式函数 (DIFs) 已成为许多计算机视觉任务（如 3D 形状重建、生成、配准、补全、编辑与理解）的有力范式。然而，给定一组带有相关协变量的 3D 形状，目前尚无形状表示方法能在精确表示形状的同时捕捉对每个协变量的独立依赖。此类方法对研究者发现形状群体中隐藏的知识极具价值。针对科学形状发现，我们提出一种用于可解释形状表示的 3D 神经加性模型 ($\texttt{NAISR}$)，其通过依据解耦协变量的效应形变形状图集来描述个体形状。我们的方法捕捉形状群体趋势，并允许通过形状传递进行患者特异性预测。$\texttt{NAISR}$ 是首个将深度隐式形状表示的优势与按指定协变量形变的图集相结合的方案。我们在三个数据集上评估 $\texttt{NAISR}$ 的形状重建、形状解耦、形状演化与形状传递：1) $\textit{Starman}$，一个模拟 2D 形状数据集；2) ADNI 海马 3D 形状数据集；3) 一个儿科气道 3D 形状数据集。我们的实验表明 $\textit{Starman}$ 在保持可解释性的同时实现了优异的形状重建性能。我们的代码见 $\href{https://github.com/uncbiag/NAISR}{https://github.com/uncbiag/NAISR}$。