干货！用于学习三维隐式距离场的样条位置编码

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