Coordinate-based neural networks parameterizing implicit surfaces have
emerged as efficient representations of geometry. They effectively act as
parametric level sets with the zero-level set defining the surface
本论文提出了一种新的轮廓演化定义,称为 Recurrent Level Set (RLS),通过 Gated Recurrent Unit 在变分 LS 函数的能量最小化下进行,以弥补经典变分 LS 方法在处理多实例对象和迭代次数影响等方面的局限性,并将其扩展为 Contextual RLS (CRLS) 以解决野外语义分割问题分。实验结果表明,与经典的变分 LS 方法相比,我们提出的 RLS 方法能提高计算时间和分割精度,而完全端到端系统 CRLS 与当前最先进的语义分割方法的性能相当。