统计边缘检测与形状表示的 UDF 学习
利用局部形状函数学习无符号距离场(UDF)的神经框架 LoSF-UDF,从 3D 点云重建表面,无需针对具体形状进行训练,并且对于点云中的噪声和异常值表现出增强的鲁棒性。
Jul, 2024
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
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
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
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
本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法,以进行表面重建,同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明,在合成和真实扫描数据的表面重建方面,该方法在广泛使用的基准测试中明显优于现有技术。
Oct, 2022
本论文提出了一种名为神经距离场(Neural Distance Fields)的神经网络模型,可用于预测稀疏点云的非闭合曲面的符号距离场,以重构有内部结构的物体的表面,并实现了面法线计算和渲染。
Oct, 2020
本论文提出了一种学习超博定标度无符号距离场的方法,该方法可以与连续可微的隐式神经表示网络无缝集成,提高了开放表面表示的精度和训练性能,并能准确计算法线方向等基本拓扑特性,有助于下游任务。通过广泛实验证明了该方法在各种数据集上的有效性,并且相比之前的方法提高了速度。
Feb, 2024
本文提出了一种新的隐式表示方法,称为最接近的表面点(CSP)表示,用于表示具有任何拓扑结构的开放或封闭形状并计算本地几何属性,可以实现高保真度和有效实现外围算法,如球追踪来呈现三维表面和创建显式基于网格的表示,并在 ShapeNet 数据集上验证了超越最先进结果的贡献。
Jun, 2021