Spatially-Adaptive Hash Encodings For Neural Surface Reconstruction

要約

位置エンコーディングはニューラル シーン再構成手法の一般的なコンポーネントであり、ニューラル フィールドの学習をより粗い表現またはより細かい表現に偏らせる方法を提供します。
現在の神経表面再構成法は、エンコードに対して「フリーサイズ」アプローチを使用し、すべてのシーンにわたってエンコード関数の固定セットを選択し、したがってバイアスを選択します。
現在の最先端の表面再構築アプローチでは、グリッドベースの多重解像度ハッシュ エンコーディングを活用して、高詳細なジオメトリを復元します。
我々は、別々のグリッド解像度で保存された特徴の寄与をマスクすることにより、ネットワークが空間の関数としてエンコードの基礎を選択できるようにする学習されたアプローチを提案します。
その結果、空間適応アプローチにより、ネットワークはノイズを発生させることなく、より広範囲の周波数に適合できるようになります。
標準的なベンチマーク表面再構成データセットでアプローチをテストし、2 つのベンチマーク データセットで最先端のパフォーマンスを達成しました。

要約(オリジナル)

Positional encodings are a common component of neural scene reconstruction methods, and provide a way to bias the learning of neural fields towards coarser or finer representations. Current neural surface reconstruction methods use a ‘one-size-fits-all’ approach to encoding, choosing a fixed set of encoding functions, and therefore bias, across all scenes. Current state-of-the-art surface reconstruction approaches leverage grid-based multi-resolution hash encoding in order to recover high-detail geometry. We propose a learned approach which allows the network to choose its encoding basis as a function of space, by masking the contribution of features stored at separate grid resolutions. The resulting spatially adaptive approach allows the network to fit a wider range of frequencies without introducing noise. We test our approach on standard benchmark surface reconstruction datasets and achieve state-of-the-art performance on two benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google