点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
在过去的几年中,神经隐式表达因为其出色的表达能力以及灵活性而大受欢迎,但是它也受限于较慢的预测时间。
在我们这篇文章里,我们重访了经典但强大的显式点云表达,并提出了一个可微分的泊松求解器,它可以高效的将有向的点云通过一个隐式的指示函数转化成稠密网格。
这样的点和网格之间的联系使得我们可以用简单,轻量并可解释的点云作为形状表达,这也使得预测时间相较于神经隐式表达加速了一个量级。
同时相较于其他显示表达,我们又可以对各种不同拓扑的形状建模。
最后,我们在基于纯优化以及基于深度学习的三维表面重建的任务上都表现出有效性。
本期AI TIME PhD直播间,我们邀请到苏黎世联邦理工学院 (ETH Zurich) 和德国马克思普朗克研究所智能系统所 (Max Planck Institute for Intelligent Systems)博士生——彭崧猷,为我们带来报告分享《以点为形:可微分的泊松求解器》。
彭崧猷:
博士在读于苏黎世联邦理工学院 (ETH Zurich) 和德国马克思普朗克研究所智能系统所 (Max Planck Institute for Intelligent Systems),由 Marc Pollefeys和Andreas Geiger共同指导。他的研究兴趣主要在三维视觉和深度学习的交叉,尤其感兴趣于研究三维场景的隐式和展示神经表达,以及它们在三维重建和神经渲染上的应用。
内容简介
对于任意物体的形状,我们可以表示为不同的形式。我们在本次研究中提出的SAP是经典泊松表面重建可微分的版本。除此之外,S