HYVE: Hybrid Vertex Encoder for Neural Distance Fields

要約

ニューラル形状表現は一般に、ニューラル ネットワークを使用して 3D ジオメトリを表現することを指します。たとえば、特定の空間位置での符号付き距離または占有値を計算します。
この論文では、単一の前方パスで 3D 形状を正確にエンコードするのに適したニューラル ネットワーク アーキテクチャを紹介します。
私たちのアーキテクチャは、グラフベースおよびボクセルベースのコンポーネントと連続微分可能なデコーダを組み込んだマルチスケール ハイブリッド システムに基づいています。
ハイブリッド システムには、ニューラル ネットワーク内の点ベースの特徴をボクセル化する新しい方法が含まれており、これを指向性点群と組み合わせて使用​​して、よりスムーズで詳細な再構成を取得できることを示します。
さらに、私たちのネットワークはエイコナール方程式を解くように訓練されており、訓練と推論にはゼロレベルセットの知識のみが必要です。
これは、以前のほとんどの形状エンコーダ アーキテクチャとは対照的に、私たちのネットワークは、ゼロ以外の距離値や形状占有に関する明示的な事前知識がなくても、有効な符号付き距離フィールドを出力できることを意味します。
また、自動デコーダ方式で使用される潜在コードの最適化の代わりに、単一のフォワードパスのみが必要です。
さらに、非水密表面や非多様体幾何学などのコンテキストで、表面法線が明確に定義されていない場合に、符号なしの距離フィールドが生じる場合に備えて、損失関数の修正を提案します。
全体として、私たちのシステムは、神経距離フィールドのトレーニングと評価の計算オーバーヘッドを削減するのに役立ち、また、難しい幾何学への適用を可能にします。

要約(オリジナル)

Neural shape representation generally refers to representing 3D geometry using neural networks, e.g., computing a signed distance or occupancy value at a specific spatial position. In this paper we present a neural-network architecture suitable for accurate encoding of 3D shapes in a single forward pass. Our architecture is based on a multi-scale hybrid system incorporating graph-based and voxel-based components, as well as a continuously differentiable decoder. The hybrid system includes a novel way of voxelizing point-based features in neural networks, which we show can be used in combination with oriented point-clouds to obtain smoother and more detailed reconstructions. Furthermore, our network is trained to solve the eikonal equation and only requires knowledge of the zero-level set for training and inference. This means that in contrast to most previous shape encoder architectures, our network is able to output valid signed distance fields without explicit prior knowledge of non-zero distance values or shape occupancy. It also requires only a single forward-pass, instead of the latent-code optimization used in auto-decoder methods. We further propose a modification to the loss function in case that surface normals are not well defined, e.g., in the context of non-watertight surfaces and non-manifold geometry, resulting in an unsigned distance field. Overall, our system can help to reduce the computational overhead of training and evaluating neural distance fields, as well as enabling the application to difficult geometry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google