3D
神经几何细节级别：基于隐式3D形状的实时渲染
Author
Venue
IEEE计算机视觉与模式识别会议 2021
Abstract
神经有符号距离函数（SDF）正逐渐成为一种有效的3D形状表示方法。SDF通过一个位置函数来编码3D曲面，该函数返回与曲面的最近距离。最先进的方法通常使用大型固定尺寸的神经网络来编码SDF，从而通过隐式曲面近似复杂形状。 然而，渲染这些大型网络的计算成本极高，因为每个像素都需要多次前向传播，这使得此类表示方法难以应用于实时图形渲染。我们提出了一种高效的神经网络表示方法，该方法首次实现了高保真神经SDF的实时渲染，同时达到了最先进的几何重建质量。 我们采用基于八叉树的特征体积来表示隐式曲面，该方法能够自适应地拟合具有多个离散细节级别（LOD）的形状，并通过SDF插值实现连续LOD。我们进一步开发了一种高效算法，通过稀疏八叉树遍历仅查询必要的LOD，从而直接对这种新型神经SDF表示进行实时渲染。 实验表明，相较于先前研究，我们的表示法在渲染速度上提升了2到3个数量级。此外，无论是在3D几何度量还是2D图像空间度量下，它都能为复杂形状提供业界领先的重建质量。
