Sep, 2023
神经向量场: 通过码书和零环规则推广距离向量场
Neural Vector Fields: Generalizing Distance Vector Fields by Codebooks
and Zero-Curl Regularization
TL;DR基于神经网络的表面重建可大致分为两类，一类明确地对模板进行变形，另一类隐式地表示3D表面；为了获得两者的优势，我们提出了一种新颖的3D表示方法，神经向量场(NVF)，它采用显式的学习过程来操作网格，并采用隐式无符号距离函数(UDF)表示法来突破分辨率和拓扑的限制；通过直接预测表面查询中的位移并将形状建模为向量场，而不是依赖网络微分以获得方向场，从而能够编码距离和方向场，使方向场的计算免于微分，避免繁琐的表面提取步骤；此外，基于NVF，我们提出了同时结合两种类型的形状码书，即NVF(Lite或Ultra)，通过编码跨对象先验来促进跨类别重建；此外，我们还提出了一种基于分析NVF的零旋性质的新的正则化方法，并通过完全可微分的NVF(ultra)框架实现；我们在四种表面重建场景下对NVF进行评估，包括封闭与非封闭形状、类别不可知重建与类别未知重建、类别特定和跨领域重建。