論文筆記2
1 前言
論文鏈接：[2010.13938v1] Neural Unsigned Distance Fields for Implicit Function Learning
這篇論文與IF-Net有點相似光稼，編碼部分相同崭添，都采用多尺度特征編碼墨技。
本文特點：需要法線，無符號SDF灿里。
隱式曲面表示的缺點是重建的物體必須是封閉的童擎，當(dāng)物體不封閉時卵迂，就不能區(qū)分出查詢點到底是在物體的內(nèi)部還是在外部气破。
2 創(chuàng)新點
針對這一問題，這篇論文NDF設(shè)計一個無符號的距離函數(shù)暑椰，在對稀疏點云進(jìn)行高精度重建的基礎(chǔ)上霍转，還能重建不封閉的物體形狀，如曲線一汽，流形避消，復(fù)雜的場景。這一特點還是非常不錯的召夹。
點云岩喷、體素、網(wǎng)格這里不介紹了监憎。
3 方法
NDF采用與IF-Nets相同的形狀潛編碼纱意，通過基于深度特征的多尺度三維網(wǎng)格連續(xù)位置提取的特征解碼occupancy。
3.1 NDF帶來了一些問題：
1. 預(yù)測的無符號距離函數(shù)不帶符號鲸阔，在曲面處不可微偷霉。
2.?大多數(shù)生成點、網(wǎng)格和渲染圖像的算法都只使用SDFs或occupancy隶债，沒有關(guān)于無符號的后處理算法腾它。
當(dāng)然了跑筝，這些問題作者早就想到啦死讹，并給出了相應(yīng)的解決方案。
3.2 主要看模型：
shape 編碼：
利用3D CNN將點云進(jìn)行體素化曲梗，得到不同尺度的深度特征赞警。
shape 解碼：
解碼器的任務(wù)是預(yù)測點到真值曲面的距離妓忍。對輸入多尺度編碼得到的多個特征輸入到解碼器中回歸出距離值。（注意：是某個點的多個尺度特征）
距離域的空間梯度可通過NDF的后向傳播得到愧旦。
訓(xùn)練：
需要輸入點云和對應(yīng)的曲面（注意：這里點云和曲面可不要迷糊世剖，點云是查詢點，曲面是曲面上點的集合笤虫，訓(xùn)練時由查詢點預(yù)測得值要與對應(yīng)曲面上的點盡可能信蕴薄）曲面可以是數(shù)學(xué)函數(shù)、曲線或3D網(wǎng)格多種形式琼蚯。
a：稀疏輸入
b：NDF預(yù)測每個點對應(yīng)得無符號距離域酬凳，能生成任意分辨率和拓?fù)涞眠B續(xù)表示。
c：NDF對應(yīng)的梯度域遭庶，指向深度方向的梯度顯示為一個點宁仔。
d：3D點沿著負(fù)梯度方向-?pf(p)移動f(p)單位生成離曲面最近的點q。
小尾巴：
盡管重建結(jié)果非常好峦睡，重建的物體不受限制翎苫，但處理步驟，網(wǎng)絡(luò)結(jié)構(gòu)非常繁瑣榨了。
