Sdf

In diesem Artikel werden die Konzepte und Methoden von Signed Distance Fields (SDF) für die Generierung von 3D-Formen vorgestellt. Wir werden die grundlegenden Ideen und die Vorteile von SDF-Diffusion, einer Methode zur Generierung von hochauflösenden 3D-Formen, erläutern.

Was sind Signed Distance Fields (SDF)?

Signed Distance Fields (SDF) sind eine Methode zur Darstellung von 3D-Formen durch die Berechnung des Abstands zwischen einem Punkt im Raum und der Oberfläche einer Form. Der Abstand wird als signed distance bezeichnet, da er positiv ist, wenn der Punkt außerhalb der Form liegt, und negativ, wenn er innerhalb der Form liegt.

SDF-Diffusion

SDF-Diffusion ist eine Methode zur Generierung von hochauflösenden 3D-Formen durch die Verwendung von Diffusionsmodellen mit kontinuierlicher 3D-Darstellung via SDF. Im Gegensatz zu anderen Methoden, die auf diskreten Formen wie Punktwolken basieren, generiert SDF-Diffusion hochauflösende 3D-Formen, während sie Probleme mit dem Speicherbedarf durch die Trennung des Generierungsprozesses in zwei Stufen löst: Generierung und Super-Auflösung.

Methodik

Die SDF-Diffusion-Methode besteht aus zwei Stufen:

1. Generierung: Ein Diffusions-basiertes generatives Modell generiert eine niedrigauflösende SDF einer 3D-Form.
2. Super-Auflösung: Ein Diffusions-basiertes Super-Auflösungsmodell wird trainiert, um die 3D-Form aufzulösen.

Ergebnisse

Die SDF-Diffusion-Methode kann hochauflösende 3D-Formen generieren, die mit den besten Methoden derzeitiger Forschung konkurrieren. Darüber hinaus kann die Methode auch für die Formvollständigung verwendet werden, ohne dass Änderungen erforderlich sind.

DeepSDF

DeepSDF ist eine Implementierung der CVPR-2019-Arbeit "DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation" von Park et al. DeepSDF ist ein Framework für die Lernalgorithmen von kontinuierlichen SDF für die Formdarstellung.

Dateiorganisation

Das DeepSDF-Repository enthält eine Reihe von Python-Skripten, die eine gemeinsame Organisationsstruktur verwenden, um die Ausgabe eines Skripts als Eingabe für ein anderes Skript zu verwenden. Die Struktur besteht aus:

• datasources.json: Eine Datei, die eine Zuordnung von benannten Datensätzen zu Pfaden enthält, die angeben, wo die Daten herkommen.
• SdfSamples/: Ein Verzeichnis, das die vorverarbeiteten Daten enthält.
• SurfaceSamples/: Ein Verzeichnis, das die Oberflächendaten enthält.

Experimentlayout

Jedes DeepSDF-Experiment wird in einem "Experimentverzeichnis" organisiert, das alle relevanten Daten für ein bestimmtes Experiment enthält. Die Struktur besteht aus:

• specs.json: Eine Datei, die die Parameter, Netzwerkarchitektur und Daten für das Experiment festlegt.
• Logs.pth: Eine Datei, die die Log-Daten des Experiments enthält.
• LatentCodes/: Ein Verzeichnis, das die latenten Codes für das Experiment enthält.
• ModelParameters/: Ein Verzeichnis, das die Modellparameter für das Experiment enthält.
• OptimizerParameters/: Ein Verzeichnis, das die Optimierungsparameter für das Experiment enthält.
• Reconstructions/: Ein Verzeichnis, das die Rekonstruktionen des Experiments enthält.

Verwendung von DeepSDF

Um DeepSDF zu verwenden, müssen die Daten vorverarbeitet werden. Dies kann mit dem preprocess_data.py-Skript durchgeführt werden. Das Skript erfordert die Installation von CLI11, Pangolin, nanoflann und Eigen3.

Fazit

In diesem Artikel haben wir die Konzepte und Methoden von Signed Distance Fields (SDF) für die Generierung von 3D-Formen vorgestellt. Wir haben die SDF-Diffusion-Methode erläutert, die hochauflösende 3D-Formen generiert, und DeepSDF, ein Framework für die Lernalgorithmen von kontinuierlichen SDF für die Formdarstellung.