Spline Positional Encoding for Learning 3D Implicit Signed Distance Fields 阅读笔记

用MLP去近似一个隐式函数会遇到的问题:

(1) 基于坐标点的MLP和ReLU函数并不能够很好的重建出平面的细节内容。

(2)一些改进的方法尝试引入傅里叶变换，将坐标变换到高纬的傅里叶空间，但是这一类的方法并不能很好的重建出一个平面。

解决的方法：

作者提出了Spline Positional Encoding，利用这种方法去做坐标的编码，从而能够去恢复出一个良好的形状平面。

PE:能够以一种均匀的位置表示关系告诉神经网络，某个元素所处的位置。

具体的方法：

 

SDF（符号距离函数）

对于给定的一个shape，在上面进行采样，得到一系列的三维点云，每一个点云包含一个三维坐标点以及一个法向量的值，这时，会设定一个函数F(用MLP进行近似)。使得F(x)=0，其梯度为法向量的值，在最近的论文里面，又新增加了一个限制条件，SDF函数的梯度的二范数的值为1，基于此，得到了一个loss函数：

最训练完成后，寻找到F(x)为0的点就是形状的表面的点。

SPE(样条位置编码)

B-样条函数

其中，B的上标是多项式次数。上述公式描述的是一个最简单的B样条函数。

利用B样条编码，简单来说就是，将一个点，投影到三个不同的坐标轴上，用不同的坐标轴来进行每一个维度上的位置编码。

论文的insight

 个人关于本篇论文的insight的理解：

作者想设计一种PE的方式，既利用了传统的sin cos编码，又想对其进行动态的调整，于是作者选定了B样条的这种方法，通过对knot的变化(加权)，可以控制样条函数的变化，因此能够适应点云的PE。作者也陈述了，使用B样条函数的缘由，因为B样条函数作为basis的函数来说，相对来说简单一些。

参考

• Peng-Shuai Wang, Yang Liu, Yu-Qi Yang, Xin Tong:
  Spline Positional Encoding for Learning 3D Implicit Signed Distance Fields. IJCAI 2021: 1091-1097

github地址:

https://github.com/microsoft/splineposenc