Niveau de détail géométrique neuronal : rendu en temps réel avec des formes 3D implicites
Author
Venue
IEEE Computer Vision and Pattern Recognition 2021
Abstract
Les fonctions de distance signées (SDF) neuronales s'imposent comme une représentation efficace des formes 3D. Les SDF codent les surfaces 3D à l'aide d'une fonction de position qui renvoie la distance la plus proche d'une surface. Les méthodes de pointe codent généralement la SDF à l'aide d'un réseau neuronal de grande taille et de taille fixe afin d'approximer des formes complexes à l'aide de surfaces implicites. Le rendu de ces grands réseaux est toutefois coûteux en termes de calcul, car il nécessite de nombreux passages en avant à travers le réseau pour chaque pixel, ce qui rend ces représentations peu pratiques pour les applications graphiques en temps réel. Nous présentons une représentation neuronale efficace qui, pour la première fois, permet le rendu en temps réel de SDF neuronales haute fidélité, tout en atteignant une qualité de reconstruction géométrique de pointe. Nous représentons les surfaces implicites à l'aide d'un volume de caractéristiques basé sur un octree qui s'adapte de manière adaptative aux formes avec plusieurs niveaux de détail (LOD) discrets, et permet un LOD continu grâce à l'interpolation SDF. Nous développons en outre un algorithme efficace pour rendre directement notre nouvelle représentation SDF neuronale en temps réel en interrogeant uniquement les LOD nécessaires à l'aide d'un parcours d'octree clairsemé. Nous montrons que notre représentation est 2 à 3 ordres de grandeur plus efficace en termes de vitesse de rendu par rapport aux travaux précédents. De plus, elle produit une qualité de reconstruction de pointe pour les formes complexes, tant selon des métriques géométriques 3D que selon des métriques de l'espace image 2D.
