CN-DHF: Compact Neural Double Height-Field Representations of 3D Shapes

要約

タイトル：CN-DHF: Compact Neural Double Height-Field Representations of 3D Shapes

要約：
– CN-DHFは、3D形状を表現するための新しいハイブリッドニューラル暗黙形式であり、現在の最新技術よりも劇的にコンパクトです。
– DHF（Double-Height-Field）ジオメトリを活用することで、入力形状の交差点をよく近似するDHFのセットを計算し、それらのDHFをニューラルフィールドでエンコードしてCNDHFとして表現します。
– DHFは、一対の逆向きの高さフィールドで囲まれた閉じた形状であり、DHFの軸に沿った最大と最小の高さを捕捉する2Dニューラル暗黙形式としてコンパクトにエンコードできることがわかりました。
– 典型的な閉じた3D形状は、非常に少数のDHFの交差点としてうまく表現でき、私たちのアプローチは、同じパラメータ数またはストレージ容量に対して、再構成エラーを2.5倍低減し、高品質な再構成を提供します。
– 最良の代替方法と比較して、私たちの方法は、400の入力形状とパラメータ数の組み合わせの94％で高精度なモデルを生成しました。

要約(オリジナル)

We introduce CN-DHF (Compact Neural Double-Height-Field), a novel hybrid neural implicit 3D shape representation that is dramatically more compact than the current state of the art. Our representation leverages Double-Height-Field (DHF) geometries, defined as closed shapes bounded by a pair of oppositely oriented height-fields that share a common axis, and leverages the following key observations: DHFs can be compactly encoded as 2D neural implicits that capture the maximal and minimal heights along the DHF axis; and typical closed 3D shapes are well represented as intersections of a very small number (three or fewer) of DHFs. We represent input geometries as CNDHFs by first computing the set of DHFs whose intersection well approximates each input shape, and then encoding these DHFs via neural fields. Our approach delivers high-quality reconstructions, and reduces the reconstruction error by a factor of 2:5 on average compared to the state-of-the-art, given the same parameter count or storage capacity. Compared to the best-performing alternative, our method produced higher accuracy models on 94% of the 400 input shape and parameter count combinations tested.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI