Implicit Filtering for Learning Neural Signed Distance Functions from 3D Point Clouds

要約

ニューラル符号付き距離関数 (SDF) は、形状ジオメトリのフィッティングにおいて強力な能力を示しています。
ただし、離散的な方向性のない点群から連続的な符号付き距離フィールドを推論することは依然として課題です。
ニューラル ネットワークは通常、粗い表面で形状を適合させ、形状のエッジやコーナーなどのきめの細かい幾何学的詳細を省略します。
この論文では、高周波ジオメトリの詳細を維持しながら陰場を平滑化する新しい非線形陰的フィルターを提案します。
私たちの目新しさは、符号付き距離フィールドの勾配を使用して隣接する入力点によって表面 (ゼロ レベル セット) をフィルターできることにあります。
入力生の点群を勾配に沿って移動することにより、私たちが提案する陰的フィルタリングを非ゼロレベルセットに拡張して、異なるレベルセット間の約束の一貫性を保つことができ、その結果、ゼロレベルセットのより良い正則化が実現します。
私たちは物体や複雑なシーンの点群から表面を再構成する包括的な実験を実施し、数値的および視覚的な比較により、広く使用されているベンチマークの下で最先端の手法に対する改善を実証します。

要約(オリジナル)

Neural signed distance functions (SDFs) have shown powerful ability in fitting the shape geometry. However, inferring continuous signed distance fields from discrete unoriented point clouds still remains a challenge. The neural network typically fits the shape with a rough surface and omits fine-grained geometric details such as shape edges and corners. In this paper, we propose a novel non-linear implicit filter to smooth the implicit field while preserving high-frequency geometry details. Our novelty lies in that we can filter the surface (zero level set) by the neighbor input points with gradients of the signed distance field. By moving the input raw point clouds along the gradient, our proposed implicit filtering can be extended to non-zero level sets to keep the promise consistency between different level sets, which consequently results in a better regularization of the zero level set. We conduct comprehensive experiments in surface reconstruction from objects and complex scene point clouds, the numerical and visual comparisons demonstrate our improvements over the state-of-the-art methods under the widely used benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google