计算机科学>计算机视觉和模式识别
标题: 三平面混合神经场的神经处理
摘要: 由于用于存储和传输3D数据的神经场具有诱人的特性,因此出现了直接处理它们以处理分类和零件分割等任务的问题,并在最近的工作中进行了研究。 早期的方法使用在整个数据集上训练的共享网络参数化的神经场,实现了良好的任务性能,但牺牲了重建质量。 为了改进后者,后面的方法侧重于参数化为大型多层感知器(MLP)的单个神经场,但由于权重空间的高维性、内在权重空间的对称性以及对随机初始化的敏感性,这些神经场的处理具有挑战性。 因此,结果明显低于处理显式表示(例如点云或网格)所获得的结果。 与此同时,混合表示,特别是基于三平面的混合表示,已成为实现神经场的一种更有效的替代方法,但其直接处理尚未被研究。 本文表明,三平面离散数据结构编码了丰富的信息,可以通过标准的深度学习机制进行有效处理。 我们定义了一个广泛的基准,涵盖了一组不同的字段,例如占用率、有符号/无符号距离,以及首次定义的辐射度字段。 在处理具有相同重建质量的字段时,我们的任务性能远远优于处理大型MLP的框架,并且第一次几乎与处理显式表示的架构不相上下。