【ECCV 2022】用于三维表示的表面编码隐式潜在划分

本节介绍一种名为“潜在分割隐式（LPI）”的3D形状的新型隐式表示，它可以对形状进行建模并将其分解为潜在空间中的部分。其主要思想是通过混合一组可学习的潜在代码来学习符号距离函数（SDF），每个代码代表表面上具有中心的部分。作者声称，这种方法导致更准确和可解释的形状建模比现有的方法，使用原语或全局隐式函数。LPI是一种使用表面代码和潜在空间混合学习三维形状的SDF的方法。LPI旨在将形状分解为部分，每个部分由潜在代码表示，并使用度量查询点和每个部分之间的相似性的亲和向量混合它们。亲和度向量可以基于不同的度量，诸如欧几里德距离、固有距离或语义距离。LPI通过优化抵抗输入点云的稀疏性的损失函数来学习没有地面真值有符号距离或法线的SDF。