1. 概要

大規模でスパースかつノイズのある点群から3D暗黙の表面を復元するための画期的な手法。

2. 新規性

ニューラルカーネルフィールド（NKF）表現をベースとし、NKFと同様の一般化能力を享受しながら、主な制約条件を同時に解決することができる。大規模なシーンへのスケール、ノイズへの頑健性、密な方向性のある点のデータセットから学習、オブジェクトとシーンのスケールが異なるトレーニングデータを混在させることも可能。

3. 実現方法

入力ポイントとその法線は最初に疎な畳み込みニューラルネットワークに入力される。デコーダーブランチでは、構造予測ブランチが適応的な疎なボクセルグリッドを出力する。この疎なボクセルグリッドには、異なるサイズの階層的なボクセルが含まれている。それぞれのボクセルについて、グリッド内の任意の位置で使用される潜在的な特徴を予測する。次に、勾配ベースのカーネル形式に従って表面フィッティングエラーを最小化するための疎な線形システムを構築し、疎なソルバーを使用して解を得る。得られた係数αと予測されたカーネルフィールドを使用することで、ジオメトリを定義する隠れた関数を評価することができる。

4. 結果

ShapeNet、ABCなどの単一オブジェクト（再構築ベンチマーク）、ScanNet、Matterport3Dなどの屋内シーン、CARLA、Waymoなどの屋外シーンでも最先端の結果を達成している。

Paper URL:
https://openaccess.thecvf.com/content/CVPR2023/papers/Huang_Neural_Kernel_Surface_Reconstruction_CVPR_2023_paper.pdf