DeepSDF | BigCileng’s CyberMansion

type

status

date

slug

summary

Introduction

learned shape-conditioned classifier

a continuous implicit surface

a probabilistic auto-decoder

Modeling SDFs with Neural Networks

8 mlp

512-d

ReLU and tanh

weight-normalization instead of batch-normalization

Weight Normalization是对网络权重W进行归一化（L2范数），使其方向与大小分离，然后用一个标量g和一个向量v来重写W。Batch Normalization是对网络某一层的输入数据进行归一化，使其均值为0，方差为1，然后用一个缩放因子γ和一个偏移因子β来重写归一化后的数据。

loss

𝕃(fθ(x), s) = |clamp(fθ(x), δ) − clamp(s, δ)|

clamp(x, δ) := min(δ, max( − δ, x))

Learning the Latent Space of Shapes

SDFs

auto-decoder

一个形状中的采样点

假设X符合联合分布

根据Maximum-a-Posterior最大后验估计

latent vector的概率

training

inference

fixing θ，训练新的latent vector

数据准备

对与每个3D 模型取一些列的采样点 (x, s)，采样方式是个比较繁琐的过程 (假设是 watertight 的mesh 模型，先将模型 normalize到一个单位球，接着在表面采250000 个点，并保留其法向量，然后对250000 点加扰动，每个点扰动得到 2 个点，一共会有500000个扰动空间点，对这些空间点计算 SDF 值，计算方式就是从250000个表面点中找最近的点，然后计算符号与距离。