神经对偶轮廓法
计算机视觉与模式识别
2022-06-02 v3 图形学
机器学习
摘要
我们引入神经对偶轮廓法（NDC），一种基于对偶轮廓法（DC）的、数据驱动的网格重建新方法。像传统 DC 一样，它为每个网格单元精确生成一个顶点，并为每个网格边交点生成一个四边形，这是一种用于重现锐利特征的自然且高效的结构。然而，NDC 不是用依赖于难以获取的表面梯度的手工函数来计算顶点位置和边交点，而是使用神经网络来预测它们。因此，NDC 可被训练以从有符号或无符号距离场、二值体素网格或点云（带或不带法线）生成网格；并且当输入表示片层或部分表面时，它可生成开放表面。在使用五个著名数据集的实验中，我们发现 NDC 在其中一个数据集上训练后，能很好地泛化到其他数据集。此外，与先前学习型（如神经行进立方体、卷积占据网络）和传统型（如泊松）方法相比，NDC 在表面重建精度、特征保持、输出复杂度、三角形质量和推理时间方面均提供更优表现。代码和数据可在 https://github.com/czq142857/NDC 获取。
引用
@article{arxiv.2202.01999,
title = {Neural Dual Contouring},
author = {Zhiqin Chen and Andrea Tagliasacchi and Thomas Funkhouser and Hao Zhang},
journal= {arXiv preprint arXiv:2202.01999},
year = {2022}
}
备注
Accepted to SIGGRAPH (journal) 2022. Code: https://github.com/czq142857/NDC