用于全局一致非刚性重建的神经变形图

我们引入神经变形图用于非刚性物体的全局一致变形跟踪与三维重建。具体而言，我们通过深度神经网络隐式建模一个变形图。该神经变形图不依赖于任何物体特定结构，因此可应用于一般的非刚性变形跟踪。我们的方法在给定非刚性运动物体的深度相机观测序列上全局优化该神经图。基于显式视角一致性以及帧间图与表面一致性约束，底层网络以自监督方式训练。我们还通过隐式可变形多MLP形状表示优化物体几何。我们的方法不假设顺序输入数据，从而能够对快速运动甚至时间上不连续的记录进行鲁棒跟踪。我们的实验表明，我们的神经变形图在定性与定量上均优于最先进的（SOTA）非刚性重建方法，重建性能提升64%，变形跟踪性能提升62%。