Nivel de detalle geométrico neuronal: renderizado en tiempo real con formas 3D implícitas
Author
Venue
IEEE Computer Vision and Pattern Recognition 2021
Abstract
Las funciones de distancia firmadas neuronales (SDF) se están imponiendo como una representación eficaz de las formas 3D. Las SDF codifican superficies 3D mediante una función de posición que devuelve la distancia más cercana a una superficie. Los métodos de vanguardia suelen codificar la SDF con una red neuronal grande y de tamaño fijo para aproximar formas complejas con superficies implícitas. Sin embargo, el renderizado de estas grandes redes es computacionalmente costoso, ya que requiere muchas pasadas hacia adelante a través de la red para cada píxel, lo que hace que estas representaciones sean poco prácticas para aplicaciones gráficas en tiempo real. Presentamos una representación neuronal eficiente que, por primera vez, permite el renderizado en tiempo real de SDF neuronales de alta fidelidad, al tiempo que logra una calidad de reconstrucción geométrica de vanguardia. Representamos las superficies implícitas utilizando un volumen de características basado en octrees que se adapta de forma adaptativa a las formas con múltiples niveles de detalle (LOD) discretos, y permite un LOD continuo mediante interpolación de SDF. Además, desarrollamos un algoritmo eficiente para renderizar directamente nuestra novedosa representación neuronal de SDF en tiempo real, consultando solo los LOD necesarios mediante un recorrido de octrees disperso. Demostramos que nuestra representación es entre dos y tres órdenes de magnitud más eficiente en términos de velocidad de renderizado en comparación con trabajos anteriores. Además, produce una calidad de reconstrucción de vanguardia para formas complejas, tanto según métricas geométricas 3D como de espacio de imagen 2D.
