This work considers gradient-based mesh optimization, where we iteratively
optimize for a 3D surface mesh by representing it as the isosurface of a scalar
field, an increasingly common paradigm in applications including
photogrammetry, generative modeling, and inverse physics. Existing
本文介绍一种基于 Deep Signed Distance Function 的不可微分网格表述方法 MeshSDF，通过推理隐式场的扰动如何影响局部表面几何，最终不限制分辨率和拓扑结构地将 Deep Implicit Field 显式地表示成一个可微分的网格形状，该方法在单视角重建和基于物理的形状优化方面优于现有技术。
本文提出了一种用于改进神经隐函数 3D 表示中采样和正则化的混合模型，利用 iso-points 作为神经隐函数的显式表示，使训练时能够实时计算并更新采样点，以捕获重要的几何特征和优化几何约束，提高重建质量和拓扑准确性。实验结果表明，相比现有方法，该方法可以更快地收敛、更好地泛化、更准确地恢复细节和拓扑结构。