Neural-Singular-Hessian：通过强制奇异 Hessian 实现无朝向点云的隐式神经表示
计算机视觉与模式识别
2023-09-07 v2 人工智能
图形学
摘要
神经隐式表示是一种从点云重建曲面的有前景的方法。现有方法结合多种正则项，如 Eikonal 与 Laplacian 能量项，以强制学习的神经函数具备有符号距离函数（SDF）的性质。然而，从低质量无朝向点云推断底层曲面的实际拓扑与几何仍具挑战性。依据微分几何，SDF 的 Hessian 在环绕曲面的微分薄壳空间内的点处是奇异的。我们的方法强制神经隐式函数对邻近曲面的点具有零行列式 Hessian。该技术在近曲面点与其在曲面上的投影点之间对齐梯度，仅在数次迭代内即产生粗糙但忠实的形状。通过对奇异 Hessian 项权重的退火，我们的方法最终产生高保真重建结果。大量实验结果表明，与现有基于拟合的方法相比，我们的方法能有效抑制幻影几何并从无朝向点云中恢复细节，具有更好的表达能力。
关键词
引用
@article{arxiv.2309.01793,
title = {Neural-Singular-Hessian: Implicit Neural Representation of Unoriented Point Clouds by Enforcing Singular Hessian},
author = {Zixiong Wang and Yunxiao Zhang and Rui Xu and Fan Zhang and Pengshuai Wang and Shuangmin Chen and Shiqing Xin and Wenping Wang and Changhe Tu},
journal= {arXiv preprint arXiv:2309.01793},
year = {2023}
}