Neural Poisson: Indicator Functions for Neural Fields

要約

3D 形状の符号付き距離場表現 (SDF) を生成する暗黙的なニューラル フィールドは、3D 形状の再構成と生成において顕著な進歩を示しています。
3D シーンのニューラル フィールド表現の新しいパラダイムを紹介します。
表面を SDF として特徴付けるのではなく、ニューラル フィールドによって最適化された指標関数として、表面のポアソンにヒントを得た特徴付けを提案します。
重要なことは、実際のスキャン データを再構成するために、インジケーター関数の表現により、視線に基づいて空きスペースを示す、共通の距離センシング入力に基づいたシンプルで効果的な制約を有効にすることです。
このような空きスペース情報は、スキャン プロセスに固有のものであり、この知識を組み込むことで、より正確な表面再構成が可能になります。
私たちのアプローチは、合成および実際にスキャンされた 3D シーン データの両方で最先端の再構成パフォーマンスを示し、最先端の面取り距離で 9.5% 改善されることを示します。

要約(オリジナル)

Implicit neural field generating signed distance field representations (SDFs) of 3D shapes have shown remarkable progress in 3D shape reconstruction and generation. We introduce a new paradigm for neural field representations of 3D scenes; rather than characterizing surfaces as SDFs, we propose a Poisson-inspired characterization for surfaces as indicator functions optimized by neural fields. Crucially, for reconstruction of real scan data, the indicator function representation enables simple and effective constraints based on common range sensing inputs, which indicate empty space based on line of sight. Such empty space information is intrinsic to the scanning process, and incorporating this knowledge enables more accurate surface reconstruction. We show that our approach demonstrates state-of-the-art reconstruction performance on both synthetic and real scanned 3D scene data, with 9.5% improvement in Chamfer distance over state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google