摘要
隐式神经网络在从点云进行表面重建方面已取得成功应用。然而，许多现有方法在可扩展性方面存在局限，因为它们将整个物体或场景的等值面函数编码为单一的潜在向量。为克服这一限制，部分方法在粗粒度的规则3D网格或3D块上推断潜在向量，并通过插值来回答占据查询。然而，这类方法失去了与物体表面采样点之间的直接关联，且在空间中均匀分配信息，而非聚焦于最关键的位置——即靠近表面的区域。此外，依赖固定大小的块可能需要对离散化参数进行调优。为解决上述问题，我们提出采用点云卷积，在每个输入点处直接计算潜在向量，并基于推断的权重对最近邻点进行基于学习的插值。在物体与场景数据集上的实验表明，所提方法在多数经典评估指标上显著优于现有方法，能够生成更精细的细节，并更准确地重建细薄结构。代码已开源，地址为：https://github.com/valeoai/POCO。