न्यूरल सायन्ड डिस्टन्स फील्ड्सवरील रचनात्मक ठोस भूमिति

न्यूरल नेटवर्कद्वारे पॅरामीटराइज्ड सायन्ड डिस्टन्स फील्ड्स (SDFs) अलीकडे मूलभूत भूमितीय प्रतिनिधित्व म्हणून लोकप्रिय झाल्या आहेत. तथापि, न्यूरल SDF द्वारे एन्कोड केलेल्या आकाराचे संपादन करणे अद्याप एक मोठे आव्हान आहे. एक मोहक दृष्टिकोन म्हणजे सामान्य भूमितीय ऑपरेटर (उदा. बूलियन ऑपरेशन्स) वापरणे, परंतु अशा संपादनांमुळे अनेकदा चुकीचे नॉन-SDF आउटपुट (ज्यांना आम्ही प्स्यूडो-SDFs म्हणतो) तयार होतात, ज्यामुळे ते पुढील टप्प्यातील कार्यांसाठी वापरता येत नाहीत. या पेपरमध्ये, आम्ही इकोनल परंतु खऱ्या अंतर फंक्शन्स नसलेल्या Pseudo-SDFs च्या अवकाशाचे वर्णन करतो आणि आउटपुट अचूक SDF असण्यास प्रोत्साहित करणारा नवीन रेग्युलायझर, क्लोजेस्ट पॉईंट लॉस, मांडतो. आम्ही आमच्या नियमितकरणाची उपयुक्तता अशा अनेक ऑपरेशन्समध्ये दाखवतो ज्यात पारंपारिक पद्धतींमुळे स्यूडो-एसडीएफ निर्माण होतो, जसे की CSG आणि स्वीप व्हॉल्यूम्स, आणि या ऑपरेशन्सच्या निकालासाठी एक खरे (न्यूरल) एसडीएफ तयार करतो.