一 写在前面

未经允许，不得转载，谢谢~~~

这篇文章还是3维重建的，今年CVPR出现了很多相关的文章。

• 文章出处：CVPR2019
• 原文链接：https://arxiv.org/abs/1901.05103?context=cs.CV

二 主要简介

主要问题：

• 将image-based CNN扩展到3d时会增加很多额外的复杂度；
• 3D物体本身具有：顶点数未知、拓扑结构未知的特点；

所以文章采用新的SDF表示方法，来解决以上提到的两个问题。

这应该是第一篇将SDF用于3D模型表示的文章，之前写的那篇DISN其实从表示方法上来看跟这一篇很像，但是从时间上来看还是这一篇比较早。

主要贡献：

• 用连续隐式表面SDF对3D model进行表示；
• 基于概率用自动解码器对3D shape进行学习；
• 将SDF用于模型建模和重建；

相关工作：

1. Representations for 3DShape Learning

• point-based: 点云、数据比较适配、但是无拓扑结构，表面不连续；
• mesh-based: 可以对3D物体建模，但是拓扑结构固定；
• voxel-based: D^3, 某个位置是否存在点，好空间，分辨率低；

2. Representation Learning Techniques

• Generative Adversial Networks（GAN）
• Auto-encoders (encoder and decoder)
• Optimizing Latent Vectors (only decoder)

3. Shape Completion
   类似于图像补全 image-inpainting

三 主要方法

3.1 SDF表示方式

DISN文章中介绍的一样。

• =0： 在表面
• <0：在内部
• >0：在外部

形式化表示：

• x表示点、s表示SDF的值；

3.2 DeepSDF网络结构

设计的网络结构比较简单：

single shape deepSDF

• 表示只能对单种shape进行重建；
• 因为模型没有包含任何shape的信息；

coded shape deepSDF

• 将shape用latent vector的方式作为网络的输入，以此适应多种形状；（图中蓝色）
• 每一种形状都有一个对应的code；

单个点的loss函数

• 其实就是预测得到的SDF值与真实SDF之间的一个距离
• 多出来的那个参数用于将注意力集中在表面附近；

3.3 概率公式化

这个部分的大概意思就是作者基于概率对DeepSDF模型进行建模。

• 对于一个由N个shapes构成的数据集合，每个shape都有对应的SDF的ground-truth SDF^i

• 每个shape又包含K个点；

  
  

• 已知样本Xi的情况下其形状zi的后验概率为：

  
  
• 其中p(zi)假设服从zero-mean multivariate-Gaussian分布

• 并假设给定zi和xj的情况下有如下概率成立：

  
  
• 其中花写的L就表示预测到的SDF值与真实的SDF之间的loss函数，具体如上文式4所示。

这样最终得到训练阶段的优化目标：

3.4 数据准备

• mesh得到SDF的问题。
• 详细信息参考论文的补充材料。