.png){kind=icon}
返回
NESI: Neural Explicit-Shape-Intersection-Based Geometry Representation
.png){kind=icon}
PRE
AI
DOI：10.1145/3742893.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
3D形状的压缩表示，这些表示是紧凑的、精确的，并且可以直接在压缩形式下高效处理，对于数字媒体应用非常有用。该领域最近的进展专注于学习隐式或参数化表示。虽然隐式表示非常适合进出查询等任务，但它们缺乏自然的2D参数化，这使得纹理或法线映射等任务复杂化。相反，参数化表示支持后者任务，但不适合占用查询。我们提出了一种基于局部显式或高度场表面交集的新型学习替代方法。由于显式表示可以轻松地以隐式和参数化形式表达，NESI直接支持比隐式替代方法更广泛的处理操作，包括占用查询和参数化访问。我们使用一组不同方向的高度场有界半空间，通过体素布尔交集组合来表示输入形状。我们首先使用一对相反方向的高度场紧密包围每个输入，形成双高度场（DHF）包围盒。我们通过将其与捕获其内部表面区域的附加局部高度场（HF）相交来细化该包围盒。我们最小化准确捕获每个输入所需的高度场数量，并将双高度场包围盒和局部高度场紧凑编码为定义在\(\mathbb {R}^2\)子域上的神经函数。这种降维编码提供了高质量的紧凑近似。在参数数量或存储容量相似的情况下，与当前最先进的方法相比，NESI显著降低了近似误差，尤其是在较低参数数量时。
Keyword:
3D shape representation
compressed representations
height-field surfaces
neural functions
volumetric Boolean operations
期刊
IF:
9.5
论文数:
4.8K
被引数:
3.6W
机构
暂无机构信息
.png){kind=icon}
