M-plicits uvodi višeskalni pristup neuralnim implicitnim površinama
Novi arXiv rad predstavlja M-plicits, metod za reprezentaciju 3D površina kroz ugnježdene višeskalne rezidualne mreže. Autori navode bolju robusnost na šum, manje parametara i efikasnije renderovanje u poređenju sa nizom postojećih pristupa.
Problem ravnoteže između brzine i kvaliteta
Neuralne implicitne reprezentacije često kodiraju prostorne koordinate sinusoidalnim funkcijama i prosleđuju ih MLP mrežama koje predstavljaju površinu kao zero-level set. Takav pristup je fleksibilan, ali postojeća rešenja često moraju da biraju između brzine treninga, brzine renderovanja i otpornosti na šum.
Autori navode da single-MLP metode mogu biti skupe pri inference-u, dok grid-based reprezentacije mogu biti brže ali ograničiti glatkoću površine i previše se prilagoditi šumu. Raniji višeskalni pristupi, prema radu, takođe mogu da uvedu artefakte zbog grubog spektralnog odsecanja.
Ugnježdeni reziduali oko postojeće površine
M-plicits koristi ugnježdenu višeskalnu strukturu u kojoj se svaka nova faza fokusira na uži pojas oko prethodno procenjene zero-level površine. Za razliku od pristupa koji uzorkuju ceo domen, supervizija se lokalizuje oko prethodnog nivoa geometrije.
Autori tvrde da takav raspored daje prirodnu otpornost na šum: gruba mreža najpre funkcioniše kao low-pass filter koji postavlja čist geometrijski prior, a kasniji reziduali postepeno dodaju detalje bez direktnog prilagođavanja visokofrekventnim artefaktima.
Brže renderovanje i manje parametara
Rad uvodi i multiscale sphere-tracing algoritam, kao i analitičko računanje normala zasnovano na GEMM operacijama koje zaobilazi automatsku diferencijaciju. Autori navode da to omogućava visokokvalitetno renderovanje u realnom vremenu.
Na Stanford i Thingi32 skupovima, autori navode najbolje srednje Chamfer rezultate u coarse konfiguraciji i najbolje median Chamfer i IoU rezultate u fine konfiguraciji. Takođe izveštavaju o boljoj otpornosti na šum od iNGP, BACON i IDF pristupa, uz oko red veličine manje parametara od grid-based baznih modela.
Izvori
Prikazani su izvorni linkovi korišćeni za proveru objavljenih činjenica.
Komentari
Komentari se objavljuju nakon moderacije.
Još nema objavljenih komentara.