নিউরাল স্বাক্ষরিত দূরত্ব ক্ষেত্রগুলিতে গঠনমূলক সলিড জিওমেট্রি

নিউরাল নেটওয়ার্ক দ্বারা প্যারামিটারাইজড সাইনড ডিস্ট্যান্স ফিল্ড (SDFs) সম্প্রতি মৌলিক জ্যামিতিক উপস্থাপনা হিসেবে জনপ্রিয়তা অর্জন করেছে। তবে, একটি নিউরাল SDF দ্বারা এনকোডকৃত আকৃতি সম্পাদনা করা এখনও একটি খোলা চ্যালেঞ্জ। একটি প্রলোভনসৃষ্টিকারী পদ্ধতি হল সাধারণ জ্যামিতিক অপারেটর (যেমন বুলিয়ান অপারেশন) ব্যবহার করা, কিন্তু এমন সম্পাদনা প্রায়ই ভুল নন-SDF আউটপুটে (যা আমরা ছদ্ম-SDF বলি) পরিণত হয়, ফলে সেগুলো পরবর্তী ধাপের কাজের জন্য ব্যবহার করা যায় না। এই প্রবন্ধে, আমরা ছদ্ম-এসডিএফ (Pseudo-SDFs)-এর স্থানকে বৈশিষ্ট্যায়ন করি, যা ইকোনাল (eikonal) হলেও প্রকৃত দূরত্ব ফাংশন নয়, এবং নিকটতম বিন্দু ক্ষতি (Closest Point Loss) নামক একটি নতুন নিয়মিতকারী উদ্ভাবন করি, যা আউটপুটকে সঠিক এসডিএফ (SDF) হিসেবে গড়ে তুলতে উৎসাহিত করে। আমরা আমাদের নিয়মিতকরণের প্রয়োগযোগ্যতা প্রদর্শন করি এমন অনেক অপারেশনে যেখানে প্রচলিত পদ্ধতিগুলো ছদ্ম-এসডিএফ সৃষ্টি করে, যেমন CSG এবং সুইপড ভলিউম, এবং এই অপারেশনগুলোর ফলাফলের জন্য একটি প্রকৃত (নিউরাল) এসডিএফ তৈরি করি।