إعادة بناء الأسطح لسحب النقاط النادرة مع أولويات على السطح

تعتبر إعادة بناء الأسطح من سحب النقاط ثلاثية الأبعاد مهمة مهمة. الطرق الحالية قادرة على إعادة بناء الأسطح من خلال تعلم دوال المسافة الموقعة (SDFs) من سحب النقاط الفردية دون مسافات موقعة حقيقية أو اتجاهات النقاط. ومع ذلك، تتطلب سحب النقاط أن تكون كثيفة، مما يحد بشكل كبير من أدائها في التطبيقات الواقعية. لحل هذه المشكلة، نقترح إعادة بناء أسطح دقيقة للغاية من سحب النقاط النادرة مع أولوية على السطح. نحن ندرب شبكة عصبية لتعلم دوال المسافة الموقعة عبر إسقاط الاستفسارات على السطح الممثل من قبل سحب النقاط النادرة. فكرتنا الرئيسية هي استنتاج المسافات الموقعة من خلال دفع كل من إسقاطات الاستفسارات لتكون على السطح وإبعاد الإسقاط ليكون الحد الأدنى. لتحقيق ذلك، نقوم بتدريب شبكة عصبية لالتقاط الأولوية على السطح لتحديد ما إذا كانت النقطة على سحب النقاط النادرة أم لا، ثم نستفيد منها كوظيفة قابلة للاشتقاق لتعلم دوال المسافة الموقعة من سحب النقاط النادرة غير المرئية. طريقتنا قادرة على تعلم دوال المسافة الموقعة من سحب نقاط نادرة واحدة دون مسافات موقعة حقيقية أو اتجاهات النقاط. تقييمنا العددي تحت المعايير المقبولة على نطاق واسع يظهر أن طريقتنا تحقق دقة إعادة بناء متقدمة، خاصة بالنسبة لسحب النقاط النادرة. الشيفرة والبيانات متاحة على https://github.com/mabaorui/OnSurfacePrior.