要約
学習ベースの3D再構成において、implicit neural representations（陰関数ニューラル表現）を用いた手法は、物体レベルにとどまらず、より複雑なシーンにおいても有望な進展を遂げている。本論文では、3D表面再構成の品質をさらに向上させる新しい陰関数表現として、「Dynamic Plane Convolutional Occupancy Networks（動的平面畳み込み占有ネットワーク）」を提案する。入力となるノイズを含む点群は、各点ごとの特徴量に符号化され、複数の2次元動的平面に射影される。その後、全結合ネットワークが、物体やシーンの形状を最も適切に記述する平面パラメータを学習的に予測する。さらに、並進等価性（translational equivariance）を活用するため、畳み込みニューラルネットワーク（CNN）を平面特徴量の処理に適用する。本手法は、ShapeNetにおける非向き付き点群および室内シーンデータセットにおける表面再構成において、優れた性能を示す。また、学習された動的平面の分布に関する興味深い観察結果も報告する。