CoFie: Learning Compact Neural Surface Representations with Coordinate Fields

要約

この論文では、新しいローカル ジオメトリを認識したニューラル サーフェス表現である CoFie を紹介します。
CoFie は、二次近似を使用したローカル SDF の理論的分析によって動機付けられています。
局所形状は、局所形状の法線方向と接線方向によって定義される位置合わせされた座標枠内で非常に圧縮性が高いことがわかります。
そこで、すべての局所形状の座標フレームを合成した座標フィールドを導入します。
座標フィールドは最適化可能であり、ローカル形状をワールド座標フレームから位置合わせされた形状座標フレームに変換するために使用されます。
これにより、ローカル形状の複雑さが大幅に軽減され、MLP ベースの暗黙的表現の学習に役立ちます。
さらに、MLP に二次層を導入して、局所的な形状ジオメトリに関する表現力を強化します。
CoFie は一般化可能な表面表現です。
厳選された 3D 形状セットでトレーニングされ、テスト中に新しい形状インスタンスで動作します。
以前の研究と同じ量のパラメータを使用した場合、CoFie は、トレーニングおよび未確認の形状カテゴリの両方の新規インスタンスで形状エラーを 48% および 56% 削減しました。
さらに、CoFie は、使用するパラメーターが 70% 少ない場合でも、以前の作品と同等のパフォーマンスを示します。

要約(オリジナル)

This paper introduces CoFie, a novel local geometry-aware neural surface representation. CoFie is motivated by the theoretical analysis of local SDFs with quadratic approximation. We find that local shapes are highly compressive in an aligned coordinate frame defined by the normal and tangent directions of local shapes. Accordingly, we introduce Coordinate Field, which is a composition of coordinate frames of all local shapes. The Coordinate Field is optimizable and is used to transform the local shapes from the world coordinate frame to the aligned shape coordinate frame. It largely reduces the complexity of local shapes and benefits the learning of MLP-based implicit representations. Moreover, we introduce quadratic layers into the MLP to enhance expressiveness concerning local shape geometry. CoFie is a generalizable surface representation. It is trained on a curated set of 3D shapes and works on novel shape instances during testing. When using the same amount of parameters with prior works, CoFie reduces the shape error by 48% and 56% on novel instances of both training and unseen shape categories. Moreover, CoFie demonstrates comparable performance to prior works when using only 70% fewer parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google