Tingkat Detail Geometris Neural: Rendering Waktu Nyata dengan Bentuk 3D Implisit
Author
Venue
IEEE Computer Vision and Pattern Recognition 2021
Abstract
Fungsi jarak bertanda (SDF) neural muncul sebagai representasi yang efektif untuk bentuk 3D. SDF mengkodekan permukaan 3D dengan fungsi posisi yang mengembalikan jarak terdekat ke suatu permukaan. Metode mutakhir biasanya mengkodekan SDF dengan jaringan neural berukuran besar dan tetap untuk mendekati bentuk kompleks dengan permukaan implisit. Namun, rendering jaringan besar ini sangat mahal secara komputasi karena memerlukan banyak lintasan maju melalui jaringan untuk setiap piksel, sehingga representasi ini tidak praktis untuk aplikasi grafis waktu nyata. Kami memperkenalkan representasi neural yang efisien yang, untuk pertama kalinya, memungkinkan rendering waktu nyata SDF neural beresolusi tinggi, sambil mencapai kualitas rekonstruksi geometri terdepan. Kami mewakili permukaan implisit menggunakan volume fitur berbasis octree yang secara adaptif menyesuaikan bentuk dengan beberapa tingkat detail diskrit (LOD), dan memungkinkan LOD kontinu melalui interpolasi SDF. Kami juga mengembangkan algoritma efisien untuk merender representasi SDF neural baru kami secara real-time dengan hanya mengakses LOD yang diperlukan melalui traversal octree yang jarang. Kami menunjukkan bahwa representasi kami 2-3 kali lipat lebih efisien dalam hal kecepatan rendering dibandingkan dengan penelitian sebelumnya. Selain itu, representasi ini menghasilkan kualitas rekonstruksi terbaik untuk bentuk-bentuk kompleks berdasarkan metrik geometri 3D dan ruang gambar 2D.
