.png){kind=icon}
返回
On Optimal Sampling for Learning SDF Using MLPs Equipped With Positional Encoding
.png){kind=icon}
OA
AI
DOI：10.1109/TVCG.2024.3522082.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经隐式场，例如形状的神经有符号距离场（SDF），已作为一种强大表示方法出现，例如编码3D形状和执行碰撞检测。通常，隐式场由带位置编码（PE）的多层感知器（MLP）编码以捕获高频几何细节。然而，此类带PE的MLP的一个显著副作用是学习到的隐式场中存在噪声伪影。虽然增加采样率通常可以减轻这些伪影，但本文旨在通过傅里叶分析的角度解释这一不利现象。我们设计了一种工具来确定学习精确神经隐式场且无不良副作用所需的适当采样率。具体而言，我们提出了一种简单而有效的方法，基于网络响应的傅里叶分析，估计给定随机权重网络的固有频率。观察到带PE的MLP具有远高于PE层最高频率成分的固有频率。遵循奈奎斯特-香农采样定理，根据该固有频率进行采样，使我们能够确定适当的训练采样率。我们在SDF拟合的设置中经验性地表明，该推荐的采样率足以确保精确的拟合结果，而进一步增加采样率不会进一步显著降低拟合误差。仅使用我们的采样策略训练带PE的MLP即可获得优于现有方法的性能。
Keyword:
Fourier analysis
neural network
neural representation
positional encoding
SDF
spectrum analysis
期刊
IF:
6.5
论文数:
353
被引数:
2.2W
机构
引用论文
.png){kind=icon}
DeepSDF: Learning Continuous Signed Distance Functions for Shape RepresentationDeepSDF: 学习用于形状表示的连续符号距离函数
PREAI
分享收藏分享收藏
查看更多内容