Neural Networks for Implicit Representations of 3D Scenes
介绍使用神经网络隐式表示三维几何图形的方法——神经隐式函数 。
3D场景的神经隐式表示领域的最新工作可以根据所采用的隐式描述类型以及使用神经网络实现的方式进行分类。
值得注意的是,该领域的演变是按照时间顺序跟随这些模型的发展而来的。
-
1st Generation Models:
第一代模型对应于环境空间的全局函数,并采用( characteristic function)特征函数或(signed distance function)符号距离函数作为隐式模型。它们使用完全连接的多层感知器(MLP)网络架构。通过将输入数据拟合到模型来学习模型。损失函数基于L1或L2范数。
这一类别的开创性论文出现在2019年:Occupancy Networks [8], LIF [9], Deep SDF [10], and
Deep Level Sets [11]
-
2nd Generation Models
第二代模型对应于一组局部函数,这些局部函数组合在一起表示整个空间的函数。这些模型要么基于形状代数,比如Constructive Solid Geometry (CSG), 或者 Convolutional Operators.。
这一类别的开创性论文出现在2019年至2020年. They are: LDIF (Genova et al, 2019), BSP-Net [12],CvxNet [13] and Convolutional Occupancy Networks [14].
-
3rd Generation Models
第三代模型对应于 Eikonal equation 给出的真符号距离函数(SDF)。该模型在损失函数中利用了函数梯度必须恒定且范数处处等于1的条件,即:||∇f ||=1
这一类的开创性论文出现在2020年。它们是:IGR[1]和SIREN[15]
-
4th Generation Models
第四代模型对应于编码光场(light fields)的连续体积函数。它们将几何体表示为空间上的密度,并对依赖于方向的辐射信息(光线方向)进行编码。
这一类别的开创性论文出现在2020年至2021年。它们是:NeRF[16],MNSR[17],等等。
更多相关:Deep Implicitshttps://lvelho.impa.br/deep-implicits/