TaylorGrid：通过基于直接泰勒展开的网格优化实现快速高质量的隐式场学习
计算机视觉与模式识别
2024-02-23 v1 图形学
摘要
基于坐标的神经隐式表示或隐式场已在 3D 几何表示和新视角合成中得到广泛研究。最近，一系列工作致力于加速基于坐标的隐式场学习的速度并提高其质量。与其学习沉重的多层感知机（MLP）来预测查询坐标的神经隐式值，不如提出结合浅层 MLP 的神经体素或网格，以在减少优化时间的同时实现高质量的隐式场学习。另一方面，线性网格等轻量级场表示也被提出以进一步提高学习速度。在本文中，我们旨在实现既快速又高质量的隐式场学习，并提出 TaylorGrid，这是一种新颖的隐式场表示，可通过在 2D 或 3D 网格上进行直接泰勒展开优化来高效计算。作为一种通用表示，TaylorGrid 可适应不同的隐式场学习任务，如 SDF 学习或 NeRF。大量的定量和定性比较表明，TaylorGrid 在线性网格和神经体素之间取得了平衡，展示了其在快速高质量隐式场学习方面的优越性。
引用
@article{arxiv.2402.14415,
title = {TaylorGrid: Towards Fast and High-Quality Implicit Field Learning via Direct Taylor-based Grid Optimization},
author = {Renyi Mao and Qingshan Xu and Peng Zheng and Ye Wang and Tieru Wu and Rui Ma},
journal= {arXiv preprint arXiv:2402.14415},
year = {2024}
}