Semi-signed prioritized neural fitting for surface reconstruction from unoriented point clouds

要約

\emph{undirectional} 点群からの 3D ジオメトリの再構築は、多くのダウンストリーム タスクに役立ちます。
最近の形状モデリング手法は、主に符号付き距離場 (SDF) に適合する暗黙的なニューラル表現を採用し、\emph{unsigned} 監視によってネットワークを最適化します。
しかし、これらの方法では、複雑なオブジェクトの粗い形状を見つけるのが困難な場合があり、特に「ゴースト」サーフェス (\つまり、存在しないはずの偽のサーフェス) に悩まされます。
ネットワークを大まかな形状にすばやく適合させるために、明らかにオブジェクトの外側にあり、簡単に決定できる領域で署名付き監視を利用することを提案し、半署名付き監視をもたらします。
忠実度の高い詳細をよりよく回復するために、追跡された領域の損失に基づく新しい重要度サンプリングとプログレッシブ位置エンコーディング (PE) により、適合不足と複雑な領域への最適化が優先されます。
具体的には、オブジェクト空間をボクセル化して \emph{sign-known} 領域と \emph{sign-uncertain} 領域に分割し、異なる監督が適用されます。
さらに、追跡された再構成損失に従って各ボクセルのサンプリングレートを適応的に調整するため、ネットワークは複雑なフィッティング不足の領域により集中できます。
この目的のために、半署名優先 (SSP) ニューラル フィッティングを提案し、広範な実験を行って、SSP が ABC サブセットやさまざまな困難なデータを含む複数のデータセットで最先端のパフォーマンスを達成することを実証します。
コードは公開時に公開されます。

要約(オリジナル)

Reconstructing 3D geometry from \emph{unoriented} point clouds can benefit many downstream tasks. Recent shape modeling methods mostly adopt implicit neural representation to fit a signed distance field (SDF) and optimize the network by \emph{unsigned} supervision. However, these methods occasionally have difficulty in finding the coarse shape for complicated objects, especially suffering from the “ghost” surfaces (\ie, fake surfaces that should not exist). To guide the network quickly fit the coarse shape, we propose to utilize the signed supervision in regions that are obviously outside the object and can be easily determined, resulting in our semi-signed supervision. To better recover high-fidelity details, a novel importance sampling based on tracked region losses and a progressive positional encoding (PE) prioritize the optimization towards underfitting and complicated regions. Specifically, we voxelize and partition the object space into \emph{sign-known} and \emph{sign-uncertain} regions, in which different supervisions are applied. Besides, we adaptively adjust the sampling rate of each voxel according to the tracked reconstruction loss, so that the network can focus more on the complicated under-fitting regions. To this end, we propose our semi-signed prioritized (SSP) neural fitting, and conduct extensive experiments to demonstrate that SSP achieves state-of-the-art performance on multiple datasets including the ABC subset and various challenging data. The code will be released upon the publication.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google