SDFDiff: Differentiable Rendering von Signed Distance Fields für die 3D-Shape-Optimierung

Wir stellen SDFDiff vor, einen neuen Ansatz zur bildbasierten Formoptimierung, der die differenzierbare Darstellung von 3D-Formen mittels signierten Abstandsfunktionen (SDFs) nutzt. Im Vergleich zu anderen Darstellungen besitzen SDFs den Vorteil, beliebige Topologien darstellen zu können und gleichzeitig wasserdichte Oberflächen zu garantieren. Wir wenden unseren Ansatz auf das Problem der Multiview-3D-Rekonstruktion an und erreichen eine hohe Rekonstruktionsqualität sowie die Fähigkeit, komplexe Topologien von 3D-Objekten zu erfassen. Zudem implementieren wir eine Multi-Resolution-Strategie, um einen robusten Optimierungsalgorithmus zu gewährleisten. Darüber hinaus zeigen wir, dass unser SDF-basierter differenzierbarer Renderer nahtlos mit tiefen Lernmodellen integriert werden kann, was neue Möglichkeiten für lernbasierte Ansätze auf 3D-Objekten ohne 3D-Supervision eröffnet. Insbesondere wenden wir unsere Methode auf die Einzelansicht-3D-Rekonstruktion an und erzielen dabei Ergebnisse auf State-of-the-Art-Niveau.