Controllable Shape Modeling with Neural Generalized Cylinder

📄 arXiv: 2410.03675v1 📥 PDF

作者: Xiangyu Zhu, Zhiqin Chen, Ruizhen Hu, Xiaoguang Han

分类: cs.CV, cs.GR

发布日期: 2024-09-18

备注: Accepted by Siggraph Asia 2024 (Conference track)

💡 一句话要点

提出神经广义柱体(NGC)用于可控的神经隐式形状建模

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 神经隐式表达 形状建模 广义柱体 可控变形 形状融合

📋 核心要点

  1. 神经隐式表达在形状建模中应用广泛，但其隐式特征难以直观编辑，限制了形状操控的灵活性。
  2. 论文提出神经广义柱体(NGC)，通过显式控制广义柱体的参数来操纵神经隐式表达，实现可控的形状变形。
  3. 实验表明，NGC在复杂弯曲变形、局部缩放和扭曲等非刚性变形任务中表现出优越的性能和效率。

📝 摘要（中文）

神经符号距离场(NSDF)等神经形状表示方法因其处理复杂拓扑和任意分辨率的能力而在形状建模中越来越受欢迎。由于使用特征进行形状表示的方式是隐式的，因此操纵形状面临着不便的挑战，因为特征无法直观地编辑。本文提出神经广义柱体(NGC)用于显式地操纵NSDF，它是传统广义柱体(GC)的扩展。具体来说，我们首先定义一条中心曲线，并沿曲线分配神经特征来表示轮廓。然后，在具有椭圆形轮廓的专用GC的相对坐标上定义NSDF。通过使用相对坐标，可以通过操纵GC来显式地控制NSDF。为此，我们将NGC应用于许多非刚性变形任务，如复杂的弯曲变形、局部缩放和形状扭曲。与其他方法的形状变形比较证明了NGC的有效性和效率。此外，NGC可以通过简单的神经特征插值来利用神经特征进行形状融合。

🔬 方法详解

问题定义：现有神经隐式形状表示方法，如NSDF，虽然能够处理复杂拓扑结构和任意分辨率，但由于其使用隐式特征来表示形状，直接编辑这些特征非常困难，导致难以直观地控制和操纵形状。因此，如何实现对神经隐式形状表示的可控编辑是一个关键问题。

核心思路：论文的核心思路是将传统的广义柱体(GC)的概念与神经隐式表达相结合，提出神经广义柱体(NGC)。通过定义一个中心曲线，并沿该曲线分配神经特征来表示轮廓，从而将形状表示与GC的参数显式地关联起来。通过操纵GC的参数，例如中心曲线的形状、轮廓的大小和方向等，就可以显式地控制NSDF，从而实现可控的形状变形。

技术框架：NGC的技术框架主要包括以下几个步骤：1. 定义中心曲线：使用参数化的曲线表示GC的中心线。2. 分配神经特征：沿中心曲线均匀地采样一些点，并在每个点上分配一个神经特征向量，用于表示该位置的轮廓信息。3. 定义NSDF：在以中心曲线为骨架的GC的相对坐标系下定义NSDF。GC的轮廓形状通常为椭圆形。4. 形状变形：通过操纵中心曲线的形状、轮廓的大小和方向等GC参数，来控制NSDF的形状，从而实现形状变形。5. 形状融合：通过对神经特征进行插值，可以实现不同形状的融合。

关键创新：NGC的关键创新在于将传统的广义柱体概念与神经隐式表达相结合，实现了对神经隐式形状表示的显式控制。与现有方法相比，NGC不需要直接编辑隐式特征，而是通过操纵GC的参数来实现形状变形，从而更加直观和方便。此外，NGC还能够利用神经特征进行形状融合，进一步扩展了其应用范围。

关键设计：NGC的关键设计包括：1. 使用参数化的曲线表示中心曲线，例如B样条曲线或贝塞尔曲线。2. 使用神经网络来学习神经特征向量，这些特征向量用于表示轮廓信息。3. 在GC的相对坐标系下定义NSDF，这使得可以通过操纵GC的参数来显式地控制NSDF的形状。4. 使用损失函数来优化神经网络的参数，例如重建损失和正则化损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验验证了NGC在形状变形和形状融合方面的有效性。在形状变形任务中，NGC能够实现复杂的弯曲变形、局部缩放和扭曲等效果，并且与其他方法相比，具有更高的效率。在形状融合任务中，NGC能够通过简单的神经特征插值来实现不同形状的平滑过渡。实验结果表明，NGC是一种有效且灵活的神经隐式形状表示方法。

🎯 应用场景

NGC具有广泛的应用前景，例如在计算机辅助设计(CAD)中，可以用于创建和编辑复杂的3D形状。在动画制作中，可以用于控制角色的形状和姿态。在机器人领域，可以用于对机器人进行形状建模和运动规划。此外，NGC还可以应用于医学图像分析、虚拟现实等领域，具有重要的实际价值和未来影响。

📄 摘要（原文）

Neural shape representation, such as neural signed distance field (NSDF), becomes more and more popular in shape modeling as its ability to deal with complex topology and arbitrary resolution. Due to the implicit manner to use features for shape representation, manipulating the shapes faces inherent challenge of inconvenience, since the feature cannot be intuitively edited. In this work, we propose neural generalized cylinder (NGC) for explicit manipulation of NSDF, which is an extension of traditional generalized cylinder (GC). Specifically, we define a central curve first and assign neural features along the curve to represent the profiles. Then NSDF is defined on the relative coordinates of a specialized GC with oval-shaped profiles. By using the relative coordinates, NSDF can be explicitly controlled via manipulation of the GC. To this end, we apply NGC to many non-rigid deformation tasks like complex curved deformation, local scaling and twisting for shapes. The comparison on shape deformation with other methods proves the effectiveness and efficiency of NGC. Furthermore, NGC could utilize the neural feature for shape blending by a simple neural feature interpolation.