Neuraal geometrisch detailniveau: realtime weergave met impliciete 3D-vormen
Author
Venue
IEEE Computer Vision and Pattern Recognition 2021
Abstract
Neurale signed distance functions (SDF's) komen in opkomst als een effectieve weergave voor 3D-vormen. SDF's coderen 3D-oppervlakken met een positiefunctie die de kortste afstand tot een oppervlak weergeeft. State-of-the-art methoden coderen de SDF doorgaans met een groot, vast formaat neuraal netwerk om complexe vormen te benaderen met impliciete oppervlakken. Het renderen van deze grote netwerken is echter rekenintensief, omdat het voor elke pixel veel voorwaartse doorlopen van het netwerk vereist, waardoor deze representaties onpraktisch zijn voor realtime grafische toepassingen. We introduceren een efficiënte neurale representatie die voor het eerst realtime rendering van high-fidelity neurale SDF's mogelijk maakt, terwijl een state-of-the-art kwaliteit van geometrische reconstructie wordt bereikt. We representeren impliciete oppervlakken met behulp van een op octree gebaseerd featurevolume dat zich adaptief aanpast aan vormen met meerdere discrete detailniveaus (LOD's) en continue LOD mogelijk maakt met SDF-interpolatie. Verder ontwikkelen we een efficiënt algoritme om onze nieuwe neurale SDF-representatie direct in realtime te renderen door alleen de benodigde LOD's op te vragen met sparse octree-traversal. We tonen aan dat onze weergave 2-3 ordes van grootte efficiënter is in termen van weergavesnelheid in vergelijking met eerdere werken. Bovendien levert het state-of-the-art reconstructiekwaliteit op voor complexe vormen onder zowel 3D-geometrische als 2D-beeldruimtemetriek.
