Oct, 2024

基于Monge-Ampere正则化从点云学习任意形状

HTML
PDF
TL;DR本研究针对传统有符号距离函数在建模多样表面时的不足，提出了缩放平方距离函数（S$^{2}$DF），一种新型的隐式表面表示方法。S$^{2}$DF有效解决了无符号距离函数在零水平集处的不可微性问题，并且通过Monge-Ampere正则化，无需真实S$^{2}$DF值的监督即可从原始无方向点云中直接学习S$^{2}$DF，实验结果表明该方法在多个数据集上显著优于现有的需要真实值监督的监督方法。
发现论文，激发创造
  • MeshSDF: 可微分等值面提取

    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。

    Jun, 2020

  • 深度隐式曲面点预测网络

    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

  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息, 使用神经网络从稀疏的3D点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • 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

  • 从单个稀疏点云中无监督地推导符号距离函数，无需学习先验知识

    本文提出了一种基于神经网络的方法，可以直接从单个稀疏点云中推断有符号距离函数（SDF），构建了表面参数化和SDF推断的端到端方法，通过利用参数化表面作为粗略表面采样器，以统计方式推断SDF，并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。

    Mar, 2023

  • 通过水平集投影学习在无符号距离场中更连续的零水平集

    通过级别集投影方法来学习更连续的零级别集合，从而构造更平滑和连续的无符号距离场。

    Aug, 2023

  • 神经奇异黑塞: 通过强制奇异黑塞实现无定向点云的隐式神经表示

    基于神经隐式表示的重建方法通过使神经函数具备有符号距离函数的特性，结合拟合正则化项，可以从点云中重建出粗糙但贴合度较高的表面，同时有效抑制幽灵几何并从未定向的点云中恢复细节。

    Sep, 2023

  • 无符号距离场学习中的细节增强用于高保真度3D表面重建

    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

  • 学习局部形状函数的无符号距离场用于三维表面重建

    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

  • 学习神经符号距离函数从三维点云的隐式滤波

    我们提出了一种新的非线性隐式滤波器，用于对点云数据进行平滑处理并保留高频几何细节，实验证明我们的方法在对象和场景点云表面重建方面改进了现有技术。

    Jul, 2024