Statistical Edge Detection And UDF Learning For Shape Representation

📄 arXiv: 2405.03381v1 📥 PDF

作者: Virgile Foy, Fabrice Gamboa, Reda Chhaibi

分类: cs.CV, cs.LG, stat.AP

发布日期: 2024-05-06

💡 一句话要点

提出基于统计边缘检测的UDF学习方法，提升神经距离函数对3D形状的表征精度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D形状表征 神经距离函数 无符号距离函数 边缘检测 统计建模 深度学习

📋 核心要点

  1. 现有神经距离函数（Neural Distance Function）在3D形状表征中存在精度不足的问题，尤其是在表面边缘区域。
  2. 该论文提出一种新的UDF学习方法，通过在表面边缘集中采样训练点，提高神经UDF的局部精度和全局表达能力。
  3. 论文提出了一种基于统计的边缘检测方法，并验证了其在边缘检测精度上优于常用的局部几何描述符。

📝 摘要（中文）

在计算机视觉领域，3D表面的数值编码至关重要。通常使用有符号距离函数（SDFs）或无符号距离函数（UDFs）来表示表面。对于表征学习、表面分类或表面重建等任务，可以使用神经网络（称为神经距离函数）来学习这些函数。该网络及其权重可以作为表面的参数化和隐式表示。网络必须尽可能准确地表示表面。本文提出了一种学习UDF的方法，该方法提高了获得的神经UDF对原始3D表面的保真度。该方法的关键思想是将神经UDF的学习重点放在表面边缘。更准确地说，我们表明，在表面边缘周围采样更多的训练点可以提高训练后的神经UDF的局部精度，从而提高神经UDF在Hausdorff距离方面的全局表达能力。为了检测表面边缘，我们提出了一种新的统计方法，该方法基于在表面上每个点计算p值。实验表明，我们的方法比常用的局部几何描述符更准确地检测表面边缘。

🔬 方法详解

问题定义：现有的神经距离函数在表示3D表面时，尤其是在表面边缘区域，精度不足。这限制了其在表面重建、分类等任务中的应用。如何提高神经距离函数对3D表面的表征精度，特别是边缘区域的精度，是本文要解决的问题。现有方法在边缘区域的采样不足，导致学习效果不佳。

核心思路：论文的核心思路是将学习的重点放在表面边缘。通过在表面边缘周围采样更多的训练点，可以提高神经UDF的局部精度，从而提高其全局表达能力。这种方法基于一个假设：表面边缘对于形状的准确表示至关重要，因此需要更精细的建模。

技术框架：该方法主要包含两个阶段：1) 统计边缘检测：提出一种新的基于统计的边缘检测方法，用于识别3D表面上的边缘区域。2) UDF学习：在边缘区域增加采样密度，使用神经网络学习UDF，并使用边缘检测结果指导训练过程。整体流程是先检测边缘，然后在边缘附近增加采样点，最后训练神经UDF。

关键创新：该方法最重要的技术创新点在于提出了一种新的统计边缘检测方法，该方法基于在表面上每个点计算p值。与传统的局部几何描述符相比，该方法能够更准确地检测表面边缘。此外，将边缘检测结果用于指导UDF学习过程，通过在边缘区域增加采样密度，提高了神经UDF的局部精度。

关键设计：统计边缘检测方法通过计算每个点的p值来判断是否为边缘点。具体的p值计算方法和统计模型需要在论文中查找。UDF学习过程中，损失函数的设计需要考虑边缘区域的权重，例如，可以设计一个加权损失函数，对边缘区域的误差赋予更高的权重。神经网络的结构选择也是一个关键设计，可以选择适合表示距离函数的网络结构，例如MLP。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文提出了一种新的统计边缘检测方法，并在实验中证明其优于常用的局部几何描述符。通过在表面边缘周围集中采样训练点，显著提高了神经UDF的局部精度和全局表达能力。实验结果表明，该方法能够更准确地表示3D表面，尤其是在边缘区域，从而提升了整体的表征性能。

🎯 应用场景

该研究成果可应用于三维重建、形状分类、计算机辅助设计（CAD）等领域。通过提高3D形状的表征精度，可以改善三维重建的质量，提高形状分类的准确性，并为CAD系统提供更精确的几何模型。未来，该方法可以进一步扩展到处理更复杂的3D形状，并与其他深度学习技术相结合，实现更强大的3D视觉应用。

📄 摘要（原文）

In the field of computer vision, the numerical encoding of 3D surfaces is crucial. It is classical to represent surfaces with their Signed Distance Functions (SDFs) or Unsigned Distance Functions (UDFs). For tasks like representation learning, surface classification, or surface reconstruction, this function can be learned by a neural network, called Neural Distance Function. This network, and in particular its weights, may serve as a parametric and implicit representation for the surface. The network must represent the surface as accurately as possible. In this paper, we propose a method for learning UDFs that improves the fidelity of the obtained Neural UDF to the original 3D surface. The key idea of our method is to concentrate the learning effort of the Neural UDF on surface edges. More precisely, we show that sampling more training points around surface edges allows better local accuracy of the trained Neural UDF, and thus improves the global expressiveness of the Neural UDF in terms of Hausdorff distance. To detect surface edges, we propose a new statistical method based on the calculation of a $p$-value at each point on the surface. Our method is shown to detect surface edges more accurately than a commonly used local geometric descriptor.