Geometri Padat Konstruktif pada Bidang Jarak Bertanda Neural

Signed Distance Fields (SDFs) yang diparameterkan oleh jaringan saraf tiruan baru-baru ini menjadi populer sebagai representasi geometris fundamental. Namun, mengedit bentuk yang dikodekan oleh SDF saraf tiruan tetap menjadi tantangan yang belum terpecahkan. Pendekatan yang menarik adalah memanfaatkan operator geometris umum (misalnya, operasi boolean), tetapi pengeditan semacam itu sering kali menghasilkan keluaran non-SDF yang salah (yang kami sebut Pseudo-SDFs), sehingga menghalangi penggunaannya untuk tugas-tugas hilir. Dalam makalah ini, kami mengkarakterisasi ruang Pseudo-SDFs, yang bersifat eikonal namun bukan fungsi jarak sejati, dan merumuskan "closest point loss", sebuah regularizer baru yang mendorong keluaran menjadi SDF yang tepat. Kami mendemonstrasikan penerapan regulasi kami pada banyak operasi di mana metode tradisional menyebabkan munculnya Pseudo-SDF, seperti CSG dan swept volumes, serta menghasilkan SDF (neural) yang sebenarnya untuk hasil operasi-operasi tersebut.