Unsupervised Occupancy Learning from Sparse Point Cloud

要約

暗黙的な神経表現は、3D形状から画像や音声まで幅広い複雑なデータモダリティをキャプチャするための強力なフレームワークとして脚光を浴びている。3D形状表現の領域では、神経符号付き距離関数（SDF）が、複雑な形状を忠実に符号化する顕著な可能性を示している。しかし、グランドトゥルースの監視がない状態で3D点群からSDFを学習することは、依然として非常に困難な課題である。本論文では、疎な入力から学習しやすいSDFの代わりに、占有場を推論する方法を提案する。我々は、占有関数の決定境界から差分的にサンプリングし、入力点群を使ってサンプリングされた境界点を監視するために、マージンベースの不確実性尺度を活用する。さらに、入力点群でのエントロピーを最大にしつつ、占有関数を最小のエントロピー場に向けて偏らせることで、学習の初期段階での最適化プロセスを安定化させる。広範な実験と評価を通して、提案手法の有効性を示し、合成データと実データを用いて、暗黙的形状推論をベースラインや最先端技術に対して改善する能力を強調する。

要約(オリジナル)

Implicit Neural Representations have gained prominence as a powerful framework for capturing complex data modalities, encompassing a wide range from 3D shapes to images and audio. Within the realm of 3D shape representation, Neural Signed Distance Functions (SDF) have demonstrated remarkable potential in faithfully encoding intricate shape geometry. However, learning SDFs from 3D point clouds in the absence of ground truth supervision remains a very challenging task. In this paper, we propose a method to infer occupancy fields instead of SDFs as they are easier to learn from sparse inputs. We leverage a margin-based uncertainty measure to differentially sample from the decision boundary of the occupancy function and supervise the sampled boundary points using the input point cloud. We further stabilize the optimization process at the early stages of the training by biasing the occupancy function towards minimal entropy fields while maximizing its entropy at the input point cloud. Through extensive experiments and evaluations, we illustrate the efficacy of our proposed method, highlighting its capacity to improve implicit shape inference with respect to baselines and the state-of-the-art using synthetic and real data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL