Geometria solida costruttiva su campi di distanza neurali con segno

I campi di distanza firmati (SDF) parametrizzati da reti neurali hanno recentemente guadagnato popolarità come rappresentazione geometrica fondamentale. Tuttavia, la modifica della forma codificata da un SDF neurale rimane una sfida aperta. Un approccio allettante consiste nel sfruttare operatori geometrici comuni (ad esempio, operazioni booleane), ma tali modifiche spesso portano a output non SDF errati (che chiamiamo pseudo-SDF), impedendone l'utilizzo per attività a valle. In questo articolo, caratterizziamo lo spazio degli pseudo-SDF, che sono eikonali ma non vere funzioni di distanza, e deriviamo la perdita del punto più vicino, un nuovo regolarizzatore che incoraggia l'output a essere un SDF esatto. Dimostriamo l'applicabilità della nostra regolarizzazione a molte operazioni in cui i metodi tradizionali causano la comparsa di uno pseudo-SDF, come CSG e volumi di sweep, e produciamo un vero SDF (neurale) per il risultato di queste operazioni.