Occupancy field----其他应用

骆驼穿针眼

于 2024-03-28 09:28:36 发布

阅读量893

点赞数 12

分类专栏： Occupancy 文章标签：人工智能 3d

本文链接：https://blog.csdn.net/weixin_55982578/article/details/137097352

版权

21 篇文章 5 订阅

订阅专栏

文章介绍了OccupancyNetworks，一种基于占用场的可微分模型，它在3D表示技术中表现出优势，因其可微分性、隐式表示和内存效率。文章还讨论了点云、体素、三角面片等其他3D表示方法，并详细解释了SDF和NeRF。这些技术在自动驾驶和数字人领域有着实际应用前景。

摘要由CSDN通过智能技术生成

Occupancy Networks 是一种基于Occupancy表示的可微分模型，它在与其他3D表示技术（例如点云、体素和三角面片）的比较中，展现出显著的优势：

在自动驾驶领域，Occupancy Networks 被应用于环境感知模型的构建，用以预测道路上的障碍物和其他物体。而在数字人领域，则用于创建3D人体模型，这在动画、游戏和其他多媒体应用中具有广泛的用途。

而对于3D的隐式表示，包括：

空间场指的是一种将空间中的点映射到特定属性（如标量、向量等）的函数。例如，温度场将点映射到温度值，而重力场则映射到重力强度。

Occupancy Networks 的实现方式：

总体而言，Occupancy Networks 代表了3D表示技术中的一项创新，凭借其可微分性、隐式表示能力和高内存效率，已在自动驾驶、数字人形象构建等领域找到了实际应用，并展现出广泛的应用前景。

在这里插入图片描述

Signed Distance Function（SDF）又称为“有符号距离函数”，我们通常用来定义一个对象的SDF。

SDF表示一个给定点到一个物体的最近表面的有符号距离，同时点和表面之间分布在物体内外，点在表面内部则距离为负。

SDF的数学定义如下：

SDF(x) = s : x ∈ ℝ³, s ∈ ℝ.

这里x是一个三维空间，代表三维空间中的点，s是一个值。也就是说SDF函数上定义空间中的点到对象表面的有符号距离，也就是每个点都有一个值s，这里s表示一个给定点到物体表面的小距离。

相应的，s < 0则表示x在物体内部，s > 0表示x在物体外部，s = 0表示x在物体上。我们通常可以用SDF(x) = 0来表示一个物体表面。

好的，下面是将图片内容转换为Markdown格式的文本：

占用场是一个将空间点映射为占有概率（占用场是在世界坐标中），属于神经几何学的范畴，比如说Neural Surface Field。

占用场的数学定义如下：

F(p) = s : p ∈ R^3, s ∈ R.

这里的p是空间中的点，s是一个介于0和1之间的实数。可以看到占用场的定义与传统的距离场如SDF是一致的，但和SDF的区别在于，SDF中s表示的是空间点到几何体表面的距离，而占用场的s的取值是[0, 1]，即表示在0,1之间，所以占用场是将一个三维空间的点映射到[0,1]，即：

F : R^3 → [0, 1]

占用场将s值定为0.5为标准，即s大于0.5表示该点位于几何体内部，s小于0.5表示该点位于几何体外部，s等于0.5则位于几何体上。所以我们可以用 F(p) = 0.5 来定义一个连续的三维占有场中的一个曲面。

神经辐射场（NeRF）是一种通过学习连续的体积场景表征来合成复杂场景的新视图的方法。NeRF以其令人印象深刻的结果彻底改变了3D重建和视图合成领域。

神经辐射场的核心是一个将空间位置和观察方向映射到颜色和密度的函数，这些是渲染3D场景的关键要素。这个映射函数 ( F ) 可以表示为：

F(x, y, z, d) → (R, G, B, σ)

在此函数中：

通过利用体积内光和颜色的属性，神经辐射场能够从任意视点渲染出高度真实的图像，有效地将充满数据的空间转变成一个“神经场景”，充满了光辉和色彩。

关注

专栏目录