Towards Better Gradient Consistency for Neural Signed Distance Functions via Level Set Alignment

要約

ニューラル符号付き距離関数 (SDF) は、ジオメトリを詳細に表現する際に顕著な能力を示しています。
ただし、署名された距離の監視がなければ、ニューラル ネットワークを使用して点群や多視点画像から SDF を推測することは依然として課題です。
この論文では、レベルセットの並列性によって示されるフィールド内の勾配の一貫性が推論精度に影響を与える重要な要素であると主張します。
したがって、レベル セットの並列性を評価するために、レベル セットのアライメント損失を提案します。これを最小限に抑えて、より良い勾配の一貫性を実現できます。
私たちの新規性は、適応的な方法でクエリの勾配とゼロ レベル セットへの投影を制約することによって、すべてのレベル セットをゼロ レベル セットに揃えることができることにあります。
私たちの洞察は、3D 点群の離散性や多視点画像からの観察の欠如によって引き起こされるフィールドの不確実性を排除するために、一貫した勾配を通じてフィールド内のあらゆる場所に設定されたゼロ レベルを伝播することです。
私たちが提案する損失は、3D 点群と多視点画像から SDF を推論するためのさまざまな方法で使用できる一般的な用語です。
数値的および視覚的な比較により、損失により、さまざまなベンチマークの下で点群または多視点画像から推定される SDF の精度が大幅に向上する可能性があることが実証されています。
コードとデータは https://github.com/mabaorui/TowardsBetterGradient で入手できます。

要約(オリジナル)

Neural signed distance functions (SDFs) have shown remarkable capability in representing geometry with details. However, without signed distance supervision, it is still a challenge to infer SDFs from point clouds or multi-view images using neural networks. In this paper, we claim that gradient consistency in the field, indicated by the parallelism of level sets, is the key factor affecting the inference accuracy. Hence, we propose a level set alignment loss to evaluate the parallelism of level sets, which can be minimized to achieve better gradient consistency. Our novelty lies in that we can align all level sets to the zero level set by constraining gradients at queries and their projections on the zero level set in an adaptive way. Our insight is to propagate the zero level set to everywhere in the field through consistent gradients to eliminate uncertainty in the field that is caused by the discreteness of 3D point clouds or the lack of observations from multi-view images. Our proposed loss is a general term which can be used upon different methods to infer SDFs from 3D point clouds and multi-view images. Our numerical and visual comparisons demonstrate that our loss can significantly improve the accuracy of SDFs inferred from point clouds or multi-view images under various benchmarks. Code and data are available at https://github.com/mabaorui/TowardsBetterGradient .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google