న్యూరల్ సైన్డ్ డిస్టెన్స్ ఫీల్డ్‌లపై నిర్మాణాత్మక ఘన జ్యామితి

న్యూరల్ నెట్‌వర్క్‌ల ద్వారా పారామెటరైజ్ చేయబడిన సైన్డ్ డిస్టెన్స్ ఫీల్డ్స్ (SDFలు) ఇటీవల ఒక ప్రాథమిక జ్యామితీయ ప్రాతినిధ్యంగా ప్రజాదరణ పొందాయి. అయితే, ఒక న్యూరల్ SDF ద్వారా ఎన్‌కోడ్ చేయబడిన ఆకారాన్ని ఎడిట్ చేయడం ఇప్పటికీ ఒక పెద్ద సవాలుగా ఉంది. ఒక ఆకర్షణీయమైన విధానం ఏమిటంటే, సాధారణ జ్యామితీయ ఆపరేటర్లను (ఉదా., బూలియన్ ఆపరేషన్లు) ఉపయోగించడం, కానీ అటువంటి ఎడిట్‌లు తరచుగా తప్పు నాన్-SDF అవుట్‌పుట్‌లకు దారితీస్తాయి (వాటిని మేము స్యూడో-SDFలు అని పిలుస్తాము), దీనివల్ల వాటిని డౌన్‌స్ట్రీమ్ టాస్క్‌ల కోసం ఉపయోగించకుండా నిరోధిస్తుంది. ఈ పత్రంలో, మేము ఈకానల్ అయినప్పటికీ నిజమైన దూర ఫంక్షన్‌లు కాని స్యూడో-SDFల స్థలాన్ని వర్గీకరిస్తాము మరియు అవుట్‌పుట్‌ను ఖచ్చితమైన SDFగా ఉండేలా ప్రోత్సహించే ఒక నూతన రెగ్యులైజర్ అయిన క్లోజెస్ట్ పాయింట్ లాస్‌ను రూపొందిస్తాము. CSG మరియు స్వీప్డ్ వాల్యూమ్‌ల వంటి, సాంప్రదాయ పద్ధతులు స్యూడో-SDFను ఉత్పత్తి చేసే అనేక ఆపరేషన్‌లకు మా రెగ్యులరైజేషన్ వర్తించగలదని మేము ప్రదర్శిస్తాము మరియు ఈ ఆపరేషన్‌ల ఫలితం కోసం ఒక నిజమైన (న్యూరల్) SDFను ఉత్పత్తి చేస్తాము.