[论文解读] Geometry-Consistent Neural Shape Representation with Implicit Displacement Fields
本文提出隐式位移场（IDF），一种新颖的神经隐式表示方法，将3D几何结构分解为低频基符号距离函数与沿表面法线方向的高频位移场偏移。通过采用具备频率层次归纳偏差和可迁移特征的SIREN架构，IDF实现了无监督的几何解耦，从而在3D重建与细节迁移任务中展现出更优的细节表达能力、训练稳定性与泛化性能。
We present implicit displacement fields, a novel representation for detailed 3D geometry. Inspired by a classic surface deformation technique, displacement mapping, our method represents a complex surface as a smooth base surface plus a displacement along the base's normal directions, resulting in a frequency-based shape decomposition, where the high frequency signal is constrained geometrically by the low frequency signal. Importantly, this disentanglement is unsupervised thanks to a tailored architectural design that has an innate frequency hierarchy by construction. We explore implicit displacement field surface reconstruction and detail transfer and demonstrate superior representational power, training stability and generalizability.
研究动机与目标
- 为解决在稳定且高效的训练过程中表示神经隐式3D形状中高频几何细节的挑战。
- 通过架构设计嵌入频率层次，实现无监督的几何细节解耦。
- 将经典的位移贴图从离散表示扩展至连续的隐式3D空间表示。
- 通过可学习的、可迁移的位移场实现在不同形状之间的几何细节迁移。
- 提升3D重建与形状建模任务中的泛化能力与表征能力。
提出的方法
- 该方法将3D形状表示为基SDF（符号距离函数）与沿其法线方向偏移基表面的位移场。
- 采用基于SIREN的神经网络架构表示基场与位移场，通过归纳偏差自然嵌入频率层次。
- 通过查询特征提取器与映射网络（FiLM条件）构建可迁移特征，实现在不同形状间的细节迁移。
- 位移场在R³上隐式定义，实现对高频细节的连续、分辨率无关的表示。
- 采用联合优化训练基网络与位移网络，基网络使用低频SIREN初始化并在位移训练期间保持固定。
- 该框架支持两种场景：已知基形状下的细节迁移，以及仅从详细形状中联合估计基与位移场。
实验结果
研究问题
- RQ1能否通过架构设计在神经隐式表示中实现无监督的几何频率分量解耦？
- RQ2隐式位移场表示与位置编码及SIREN基线相比，在重建高频3D几何时表现如何？
- RQ3能否在无显式对应关系的情况下，实现位移场在不同形状间的可迁移性以实现细节迁移？
- RQ4频率层次化设计是否能提升神经隐式3D建模中的训练稳定性和收敛性？
- RQ5在将几何细节从源形状迁移到目标形状时，该方法是否能泛化到未见过的形状？
主要发现
- 所提出的IDF表示在几何细节重建方面显著优于SIREN与位置编码基线，尤其在高频区域表现更优。
- IDF训练展现出更优的稳定性和收敛性，避免了局部极小值与过拟合等常见优化问题。
- 该方法成功实现了形状间的细节迁移，即使在未提供基形状的情况下，也能通过联合估计基与位移场实现。
- 移除映射网络或查询特征提取器会导致特征失真，证明二者对准确细节迁移的必要性。
- 对位移场输入进行缩放至关重要——使用未归一化的特征会导致边界伪影，凸显了正确特征归一化的关键作用。
- 可迁移的IDF模型成功实现了空间可变几何细节（如眉毛等面部特征）的迁移，优于仅处理等距、空间不变细节的方法（如DGTS）。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。