基於神經有符號距離場的構建實體幾何

由神經網路參數化的有符號距離場（SDF）近期作為一種基礎幾何表示法而廣受關注。然而，編輯神經 SDF 所編碼的形狀仍是一項未解的挑戰。一種誘人的方法是利用常見的幾何運算子（例如布林運算），但此類編輯往往會導致錯誤的非 SDF 輸出（我們稱之為偽 SDF），使其無法用於下游任務。 本文對偽 SDF 的空間進行了特徵化描述——這些空間雖為等形空間，卻非真正的距離函數，並由此推導出「最近點損失」：一種能促使輸出成為精確 SDF 的新型正則化項。 我們證實了此正則化方法可應用於許多傳統方法會產生偽SDF的運算（例如CSG與掃描體積），並能為這些運算的結果生成真正的（神經）SDF。