Fonctions de moindres carrés implicites en profondeur pour la reconstruction 3D

L'ensemble de points est une représentation flexible et légère largement utilisée pour l'apprentissage profond en 3D. Cependant, leur nature discrète les empêche de représenter une géométrie continue et fine, posant un problème majeur pour la génération de formes basée sur l'apprentissage. Dans ce travail, nous transformons les ensembles de points discrets en surfaces lisses en introduisant la formulation de surface de moindres carrés implicites mouvants (IMLS) bien connue, qui définit naturellement des fonctions localement implicites sur des ensembles de points. Nous incorporons la génération de surfaces IMLS dans des réseaux de neurones profonds pour hériter à la fois de la flexibilité des ensembles de points et de la haute qualité des surfaces implicites. Notre IMLSNet prédit une structure d'octree comme échafaudage pour générer des points MLS où cela est nécessaire et caractérise la géométrie de la forme avec des priors locaux appris. De plus, notre évaluation de la fonction implicite est indépendante du réseau de neurones une fois que les points MLS sont prévus, permettant ainsi une évaluation rapide à l'exécution. Nos expériences sur la reconstruction d'objets 3D montrent que les IMLSNets surpassent les méthodes basées sur l'apprentissage à la pointe de la technologie en termes de qualité de reconstruction et d'efficacité computationnelle. Des tests d'ablation approfondis valident également notre conception de réseau et nos fonctions de perte.