占用网络：在函数空间中学习三维重建

随着深度神经网络的出现，基于学习的三维重建方法日益流行。然而，与图像不同，在三维中并不存在一种既计算与存储高效又能表示任意拓扑高分辨率几何的标准表示。因此许多最先进的基于学习的三维重建方法只能表示非常粗糙的三维几何，或局限于受限的域。在本文中，我们提出占用网络（Occupancy Networks），一种用于基于学习的三维重建方法的新表示。占用网络将三维表面隐式表示为深度神经网络分类器的连续决策边界。与现有方法相比，我们的表示以无限分辨率编码三维输出的描述而无需过大的内存占用。我们验证了该表示能够有效编码三维结构并可从多种输入推断得出。我们的实验在从单幅图像、含噪点云以及粗糙离散体素网格进行三维重建这些具有挑战性的任务上展示了定性定量均具竞争力的结果。我们相信占用网络将成为各类基于学习的三维任务中的有用工具。