Estás leyendo la publicación: Los investigadores proponen el campo de distancia de densidad neuronal (NeDDF), una representación de campo de distancia que está restringida recíprocamente al campo de densidad
Investigaciones recientes se han centrado en el empleo de redes neuronales basadas en coordenadas, comúnmente denominadas campos neuronales, para representar formas 3D como una alternativa a las nubes de puntos, vóxeles, mallas y otros métodos de representación. Neural Radiance Fields (NeRF) ha demostrado una excelente calidad para aplicaciones como la nueva síntesis de vista. Sin embargo, muchos enfoques tradicionales aún exigen valores iniciales fuertes para las tareas de registro y localización, ya que NeRF solo ofrece una pequeña cantidad de áreas con densidad espacial y color uniformes. El Campo Neural Densidad-Distancia es una representación propuesta del campo de distancia que está recíprocamente restringido al campo de densidad (NeDDF). NeDDF proporciona una calidad de reconstrucción de objetos equivalente a NeRF al tiempo que logra una localización sólida utilizando campos de distancia.
El campo de densidad utilizado en NeRF y el campo de distancia utilizado en NeuS son los dos tipos básicos de representación de formas 3D en campos neuronales. Las estructuras de gran frecuencia como el cabello y las sustancias transparentes como el humo y el agua tienen una alta expresividad en el campo de densidad. Sin embargo, el gradiente del campo es cero en la mayoría de las ubicaciones fuera del borde. Construir una función objetivo convexa en un entorno problemático como el registro es un desafío. Incluso cuando la optimización converge, el campo de distancia ofrece un gradiente en un amplio rango. En el registro, puede crear funciones de objetivo con alta convexidad.
El desarrollo de una ecuación de conversión de distancia a densidad puede inferir el campo de la imagen utilizando la representación de volumen. NeuS, por ejemplo, presupone que la densidad tiene una distribución logística en la superficie del objeto. Por otro lado, el campo de densidad convertible está severamente restringido ya que asumen límites claros. La atención está en el campo de distancia sin signo (UDF), que ignora la dirección de la superficie de los objetos internos y puede discriminar entre objetos internos y externos según la magnitud del gradiente y el signo de la distancia D.
El NeDDF presenta un convertidor que calcula directamente la densidad además de una red que toma un punto y genera la distancia y su pendiente. Al interpretar D por la profundidad obtenida de la ecuación de representación de volumen y ajustar los datos de densidad de los objetos transparentes a la magnitud del gradiente de nivel medio, expanden el campo de distancia para recuperar distribuciones de densidad arbitrarias (b). Este enfoque no requiere limitaciones de densidad al aprender el campo de distancia a partir de imágenes como lo hace NeuS. En otras palabras, mientras aprendemos el campo de densidad, podemos generar simultáneamente un campo de distancia constante con los mismos valores óptimos para la forma y la postura de la cámara.
NeDDF ofrece un registro efectivo del campo de distancia relacionado y una gran expresividad del campo de densidad asociado. Tres contribuciones se hacen en el documento actual:
(1) Aumentar el rango de distribuciones de densidad para las que se puede definir el campo de distancia
(2) Esbozar una técnica que hace uso de datos de campo de gradiente y distancia para recuperar la densidad correspondiente de lugares separados
(3) Proporcionar una solución a la inestabilidad del gradiente de distancia provocada por los puntos de cúspide y la frecuencia de muestreo
Además, se utilizan experimentos para evaluar la utilidad de la estrategia sugerida en términos de expresividad y rendimiento de registro.
Una implementación del código PyTorch del documento pronto estará disponible en GitHub.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘CAMPOS NEURALES DE DENSIDAD-DISTANCIA‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
