干货！用特征匹配理解神经隐式3D表征

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

神经隐式表征（Neural Implicit Representations）最近在3D形状编码方面取得了令人印象深刻的结果。其中条件化的隐式编码能将单个隐函数推广到各种形状的共享表示的低维隐空间，并具有在隐空间插值 （latent space interpolation）上形成光滑的形状变化的优势。然而，全局隐空间的好处并不对应于局部。于是我们建议通过将形状表面局部点的隐式特征（implicit feature）与形状之间插值的隐式编码匹配来跟踪连续点轨迹。从中我们发现了深度隐式表征中每一层（layer）有着层次化的功能，具体而言，靠近输入的layer将隐式编码映射到拟合粗略形状结构，而更深的靠近输出的layer进一步细化形状细节。此外，隐式函数的结构化表示空间能够将特征匹配应用于形状变形，有利于处理拓扑和语义不一致性，例如从扶手椅到没有扶手的椅子，并不依赖任何的人工标注。

本期AI TIME PhD直播间，我们邀请到阿姆斯特丹大学博士生——