न्यूरल ज्यामितीय तपशील स्तर: निहित 3D आकृत्यांसह रिअल-टाइम रेंडरिंग
Author
Venue
IEEE संगणकीय दृष्टी व नमुना ओळख 2021
Abstract
न्यूरल सायन्ड डिस्टन्स फंक्शन्स (SDFs) 3D आकारांसाठी प्रभावी प्रतिनिधित्व म्हणून उदयास येत आहेत. SDFs 3D पृष्ठभागांना स्थितीच्या फंक्शनद्वारे एन्कोड करतात, जे पृष्ठभागापासून सर्वात जवळचे अंतर परत करते. अत्याधुनिक पद्धती सामान्यतः SDF ला मोठ्या, निश्चित आकाराच्या न्यूरल नेटवर्कसह एन्कोड करतात, जे निहित पृष्ठभागांद्वारे जटिल आकृत्यांचे अंदाजे प्रतिनिधित्व करते. तथापि, या मोठ्या नेटवर्कचे रेंडरिंग करणे संगणकीयदृष्ट्या महाग आहे कारण प्रत्येक पिक्सेलसाठी नेटवर्कमधून अनेक फॉरवर्ड पास करावे लागतात, ज्यामुळे ही प्रतिनिधित्वे रिअल-टाइम ग्राफिक्स अनुप्रयोगांसाठी अव्यवहार्य ठरतात. आम्ही एक कार्यक्षम न्यूरल प्रतिनिधित्व सादर करतो जे प्रथमच उच्च-निष्ठा असलेल्या न्यूरल SDF चे रिअल-टाइम रेंडरिंग सक्षम करते, तर त्याच वेळी अत्याधुनिक भूमिती पुनर्रचना गुणवत्ता साध्य करते. आम्ही ऑक्ट्री-आधारित फिचर व्हॉल्यूम वापरून इम्प्लिसिट पृष्ठभागांचे प्रतिनिधित्व करतो, जे अनेक स्वतंत्र तपशील पातळ्यांनुसार (LODs) आकार जुळवून घेते आणि SDF इंटरपोलेशनसह सतत LOD सक्षम करते. आम्ही पुढे एक कार्यक्षम अल्गोरिदम विकसित केला आहे जो फक्त आवश्यक LODs क्वेरी करून विरळ ऑक्ट्री ट्रॅव्हर्सलद्वारे आमच्या नवीन न्यूरल SDF प्रतिनिधित्वाचे रिअल-टाइममध्ये थेट रेंडरिंग करतो. आम्ही दाखवतो की आमचे प्रतिनिधित्व रेंडरिंग गतीच्या बाबतीत मागील कामांच्या तुलनेत 2-3 ऑर्डर ऑफ मॅग्निट्यूडने अधिक कार्यक्षम आहे. याव्यतिरिक्त, ते 3D भूमितीय आणि 2D प्रतिमा-स्थान मोजमाप दोन्ही अंतर्गत जटिल आकारांसाठी अत्याधुनिक पुनर्रचना गुणवत्ता निर्माण करते.
