NeuralVDB：基于分层神经网络的高分辨率稀疏体表示
机器学习
2024-02-13 v2 计算机视觉与模式识别
图形学
摘要
我们提出 NeuralVDB，它利用机器学习的最新进展，改进了用于高效存储稀疏体数据的现有工业标准 VDB [Museth 2013]。我们的新颖混合数据结构可将 VDB 体的内存占用降低数个数量级，同时保持其灵活性且仅引入微小的（用户可控的）压缩误差。具体而言，NeuralVDB 用一个浅而宽的 VDB 树结构的较低层节点替换为多个分层神经网络，这些网络分别通过神经分类器和回归器来编码拓扑与数值信息。该方法被证明能在维持高层 VDB 数据结构所提供的空间自适应性的同时最大化压缩比。对于稀疏有符号距离场和密度体，我们观察到相对于已压缩的 VDB 输入有 10 倍至超过 100 倍的压缩比，且几乎无视觉伪影。此外，与其他神经表示如 Neural Geometric Level of Detail [Takikawa et al. 2021]、Variable Bitrate Neural Fields [Takikawa et al. 2022a] 和 Instant Neural Graphics Primitives [Müller et al. 2022] 相比，NeuralVDB 展现出更有效的压缩性能。最后，我们展示了从前一帧热启动可加速动画体的训练（即压缩），并改善模型推理（即解压缩）的时间相干性。
引用
@article{arxiv.2208.04448,
title = {NeuralVDB: High-resolution Sparse Volume Representation using Hierarchical Neural Networks},
author = {Doyub Kim and Minjae Lee and Ken Museth},
journal= {arXiv preprint arXiv:2208.04448},
year = {2024}
}