NeuForm：用于神经形状编辑的自适应过拟合
计算机视觉与模式识别
2022-07-20 v1 图形学
机器学习
摘要
神经表示在表示形状方面很受欢迎，因为它们可以从传感器数据中学习，并用于数据清理、模型补全、形状编辑和形状合成。当前的神经表示可分为两类：要么过拟合到单个对象实例，要么表示一组对象。然而，这两种方法都不允许对神经场景表示进行精确编辑：一方面，过拟合对象的方法实现了高精度的重建，但不能泛化到未见过的对象配置，因此无法支持编辑；另一方面，表示具有变化的一组对象的方法确实能够泛化，但只能产生近似的重建。我们提出 NEUFORM，通过自适应地为每个形状区域使用最合适的表示，来结合过拟合和可泛化表示两者的优势：在有可靠数据可用的地方使用过拟合表示，在其他所有地方使用可泛化表示。我们通过精心设计的架构和一种融合两种表示网络权重的方法来实现这一点，避免了接缝和其他伪影。我们展示了对人工设计形状（如椅子、桌子和灯具）各部分的成功重新配置编辑，同时保持了语义完整性和过拟合形状表示的准确性。我们与两个 SOTA 竞争方法进行了比较，并在编辑结果的合理性和保真度方面展示了明显的改进。
引用
@article{arxiv.2207.08890,
title = {NeuForm: Adaptive Overfitting for Neural Shape Editing},
author = {Connor Z. Lin and Niloy J. Mitra and Gordon Wetzstein and Leonidas Guibas and Paul Guerrero},
journal= {arXiv preprint arXiv:2207.08890},
year = {2022}
}