Apprentissage zéro niveau du jeu de données de fonctions de distance signée de forme dans l'espace des caractéristiques

Nous explorons une nouvelle approche pour la reconstruction de formes à partir d’un nuage de points, fondée sur les représentations implicites de formes par réseaux neuronaux récemment popularisées. Nous formulons ce problème comme un apprentissage à peu de exemples (few-shot learning) de fonctions implicites de distance signée dans un espace de caractéristiques, que nous abordons à l’aide d’un méta-apprentissage basé sur les gradients. Nous utilisons un encodeur convolutif pour construire un espace de caractéristiques à partir du nuage de points d’entrée. Un décodeur implicite apprend à prédire des valeurs de distance signée à partir de points représentés dans cet espace de caractéristiques. En considérant le nuage de points d’entrée — c’est-à-dire des échantillons provenant de l’ensemble de niveau zéro de la fonction de forme cible — comme support (c’est-à-dire comme contexte) dans le cadre de l’apprentissage à peu de exemples, nous entraînons le décodeur de manière à ce qu’il puisse adapter ses poids à la forme sous-jacente de ce contexte en seulement cinq étapes d’ajustement (tuning). Ainsi, pour la première fois, nous combinons simultanément deux mécanismes de conditionnement des réseaux neuronaux implicites : le codage par caractéristiques et le méta-apprentissage. Nos évaluations numériques et qualitatives montrent que, dans le contexte de la reconstruction implicite à partir d’un nuage de points épars, la stratégie proposée — à savoir le méta-apprentissage dans l’espace de caractéristiques — surpasser les approches existantes, à savoir l’apprentissage supervisé standard dans l’espace de caractéristiques et le méta-apprentissage dans l’espace euclidien, tout en offrant une inférence rapide.