从原始点云逐步学习具有一致性感知的无符号距离函数
本文提出 NeuralUDF 方法,通过体绘制从 2D 图像重建任意拓扑表面,使用无符号距离函数表示表面,成功实现复杂形态的非封闭形状高质量重建。
Nov, 2022
我们提出了一种 Details Enhanced UDF (DEUDF) 学习方法,通过集成法线对齐和 SIREN 网络来捕获精细的几何细节,自适应加权的等距约束方法来解决目标表面附近梯度消失的问题,基于 MLP 的 UDF 表示方法来放宽非负约束,以及一种专门针对 UDF 的非常量等值面提取方法,这些策略共同稳定了从未定向点云中进行学习的过程并提高了 UDF 的准确性。我们的计算结果表明,DEUDF 在准确性和重建曲面质量方面优于现有的 UDF 学习方法。我们将公开源代码。
Jun, 2024
本文提出了一种改进神经 UDF 学习的方法,通过集中学习表面边缘来提高神经 UDF 对原始 3D 表面的保真度,并提出了一种基于统计学方法的表面边缘检测技术。
May, 2024
本文介绍了一种新的神经渲染框架,名为 nEudf,它可以仅通过多视图监督来重建具有任意拓扑结构的表面;多次实验结果表明,相对于已有的多视图表面重建方法,nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。
Apr, 2023
本论文提出通过噪声到噪声的映射来学习带符号距离函数,并利用现代 Lidar 系统拍摄的多个嘈杂观测来推断单个物体或场景的高度准确的 SDF,实现表面重建、点云去噪和上采样等任务,并在公开的基准测试中表现出比现有方法更优秀的性能。
Jun, 2023
使用深度形状表示,在单个图像中使用可学习的 Anchored Unsigned Distance Function(AnchorUDF)表示 3D 服装模型,通过预测无符号距离场(UDF)来实现开放服装表面建模和更好的控制拓扑结构,使用像素对齐的本地图像特征和一组锚点来富化查询点的 3D 位置特征,实验证明 AnchorUDF 在单视图 3D 服装重建方面具有最先进的性能。
Aug, 2021
基于无符号距离函数(UDF)的基于学习的表面重建具有处理开放曲面等多个优势。我们提出了 SuperUDF,一种自监督的 UDF 学习方法,该方法利用了学习的几何先验进行高效训练,并采用一种新颖的正则化方法来提高对稀疏采样的鲁棒性。SuperUDF 的核心思想受到局部最优投影(LOP)经典表面逼近算子的启发,关键观点是如果 UDF 正确估计,3D 点应该沿着 UDF 梯度局部投影到基础表面。基于此,我们设计了一系列关于 UDF 几何和预先学习的几何先验的归纳偏差,以便高效地学习 UDF 估计。我们提出了一种新颖的正则化损失来使 SuperUDF 对稀疏采样具有鲁棒性。此外,我们还贡献了一种基于学习的网格提取方法来从估计的 UDF 中获取网格。广泛的评估表明,SuperUDF 在多个公共数据集上的质量和效率均优于现有技术。代码将在接受后发布。
Aug, 2023
本研究提出了 RangeUDF 框架,使用基于隐式表示的方法从点云中恢复连续 3D 场景表面的几何和语义,通过表面导向的语义分割模块和范围感知的带符号距离函数,实现了连续表面的语义建模和重建,并在多个点云数据集上比较实验表明,该框架明显优于现有方法。
Apr, 2022