点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
多层感知器(MLP)可以通过将3D坐标映射到相应的有符号距离场(SDF)来表达3D形状。在本文中,我们提出了一种新的位置编码方案,称为样条位置编码,将输入坐标映射到高维空间,然后将它们传递给MLP,以帮助从MLP从输入的点云中恢复具有精细几何细节的有符号距离场。通过实验,我们验证了我们的方法在输入点云和形状空间学习的3D形状重建任务的优越性。
本期AI TIME PhD直播间,我们邀请到微软亚洲研究院高级研究员——王鹏帅,为我们带来报告分享《用于学习三维隐式距离场的样条位置编码》。
王鹏帅:
现任微软亚洲研究院高级研究员,分别在2013年和2018年于清华大学获得学士学位和博士学位,研究兴趣主要包括计算机图形学和三维深度学习,曾在SIGGGRAPH(ASIA),CVPR, IJCAI等会议上发表多篇论文。根据谷歌学术的统计,他的基于八叉树的稀疏卷积神经网络的论文(O-CNN)在过去五年所有发表在SIGGRAPH (ASIA)和ACM Transcations on Graphics的论文中引用量排名前五。他曾担任SIGGRAPH(ASIA),TVCG, TPAMI等学术会议和期刊的审稿人,也曾担任3DV 2020和SMI 2021的会议程序委员。他在清华就读期间曾获得博士生国家奖学金和2018年北京市优秀博士毕业生。
个人主页: https://wang-ps.github.io。
01
背 景
(1)基于有符号距离场的三维扫描