Few-Shot Unsupervised Implicit Neural Shape Representation Learning with Spatial Adversaries

要約

Implicit Neural Representations は、3D 形状から画像や音声まで幅広い範囲を含む、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注目を集めています。
3D 形状表現の領域内で、ニューラル符号付き距離関数 (SDF) は、複雑な形状ジオメトリを忠実にエンコードする際に顕著な可能性を示しています。
ただし、グラウンド トゥルースの監視がない場合に、まばらな 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作業です。
最近の手法は学習を正則化するために事前の平滑性に依存していますが、私たちの手法では、学習された SDF を改善するために形状の周りの敵対的サンプルを活用する正則化項を導入しています。
広範な実験と評価を通じて、私たちが提案する方法の有効性を示し、合成データと実際のデータを使用して、ベースラインおよび最先端に関して SDF 学習を改善する能力を強調します。

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 sparse 3D point clouds in the absence of ground truth supervision remains a very challenging task. While recent methods rely on smoothness priors to regularize the learning, our method introduces a regularization term that leverages adversarial samples around the shape to improve the learned SDFs. Through extensive experiments and evaluations, we illustrate the efficacy of our proposed method, highlighting its capacity to improve SDF learning 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, Google