Taylor3DNet：基于 landmark 点与泰勒级数的快速三维形状推断
计算机视觉与模式识别
2023-07-18 v2
摘要
得益于连续表示能力，深度隐式函数能以无限分辨率表示形状。然而，从隐式函数提取高分辨率等值面需要对大量查询点前向传播一个含大量参数的网络，从而制约了生成速度。受泰勒级数启发，我们提出 Taylor3DNet 以加速隐式形状表示的推断。Taylor3DNet 利用一组离散 landmark 点及其对应泰勒级数系数来表示三维形状的隐式场，且 landmark 点数量与等值面提取分辨率无关。一旦预测出 landmark 点对应系数，每个查询点的网络计算便可简化为基于若干最近 landmark 点的低阶泰勒级数计算。基于这一高效表示，我们的 Taylor3DNet 相比经典基于网络的隐式函数实现了显著更快的推断速度。我们在多种输入类型的重建任务上评估了该方法，结果表明与 SOTA 基线相比，我们的方法能在不牺牲性能的前提下大幅提升推断速度。
引用
@article{arxiv.2201.06845,
title = {Taylor3DNet: Fast 3D Shape Inference With Landmark Points Based Taylor Series},
author = {Yuting Xiao and Jiale Xu and Shenghua Gao},
journal= {arXiv preprint arXiv:2201.06845},
year = {2023}
}