Geometria Sólida Construtiva em Campos de Distância Assinados Neurais

Os campos de distância assinados (SDFs) parametrizados por redes neurais ganharam popularidade recentemente como uma representação geométrica fundamental. No entanto, a edição da forma codificada por um SDF neural continua sendo um desafio em aberto. Uma abordagem tentadora é utilizar operadores geométricos comuns (por exemplo, operações booleanas), mas tais edições frequentemente levam a saídas incorretas que não são SDFs (que chamamos de Pseudo-SDFs), impedindo que sejam utilizadas para tarefas posteriores. Neste artigo, caracterizamos o espaço dos Pseudo-SDFs, que são eiconais, mas não são verdadeiras funções de distância, e derivamos a perda do ponto mais próximo, um novo regularizador que incentiva a saída a ser um SDF exato. Demonstramos a aplicabilidade de nossa regularização a muitas operações nas quais métodos tradicionais causam o surgimento de um Pseudo-SDF, como CSG e volumes varridos, e produzimos um SDF (neural) verdadeiro para o resultado dessas operações.