Mức độ chi tiết hình học thần kinh: Kết xuất thời gian thực với các hình dạng 3D ngầm
Author
Venue
Hội nghị IEEE về Thị giác máy tính và Nhận dạng mẫu 2021
Abstract
Các hàm khoảng cách có dấu thần kinh (SDF) đang nổi lên như một phương pháp biểu diễn hiệu quả cho các hình dạng 3D. SDF mã hóa các bề mặt 3D bằng một hàm vị trí trả về khoảng cách gần nhất đến bề mặt. Các phương pháp tiên tiến nhất thường mã hóa SDF bằng một mạng thần kinh lớn, có kích thước cố định để xấp xỉ các hình dạng phức tạp bằng các bề mặt ngầm. Tuy nhiên, việc hiển thị các mạng lớn này tốn nhiều tài nguyên tính toán vì nó yêu cầu nhiều lần truyền qua mạng cho mỗi pixel, khiến các biểu diễn này không thực tế cho các ứng dụng đồ họa thời gian thực. Chúng tôi giới thiệu một biểu diễn thần kinh hiệu quả, lần đầu tiên cho phép hiển thị thời gian thực các SDF thần kinh có độ trung thực cao, đồng thời đạt được chất lượng tái tạo hình học tiên tiến nhất. Chúng tôi biểu diễn các bề mặt ngụ ý bằng một khối lượng đặc trưng dựa trên octree, có khả năng thích ứng với các hình dạng thông qua nhiều cấp độ chi tiết (LOD) rời rạc, đồng thời cho phép LOD liên tục thông qua nội suy SDF. Chúng tôi tiếp tục phát triển một thuật toán hiệu quả để hiển thị trực tiếp biểu diễn SDF thần kinh mới của chúng tôi theo thời gian thực bằng cách truy vấn chỉ các LOD cần thiết thông qua việc duyệt octree thưa thớt. Chúng tôi chứng minh rằng biểu diễn của chúng tôi hiệu quả hơn 2-3 bậc về tốc độ hiển thị so với các công trình trước đây. Hơn nữa, nó tạo ra chất lượng tái tạo hàng đầu cho các hình dạng phức tạp theo cả các thước đo hình học 3D và không gian hình ảnh 2D.
