要約
implicitなニューラルネットワークは、点群からの表面再構成に成功裏に利用されてきた。しかし、多くの手法は、物体全体またはシーンの等値面関数を1つの潜在ベクトルに符号化するため、スケーラビリティの問題に直面している。この制約を克服するために、いくつかのアプローチが粗い正規の3次元グリッド上あるいは3次元パッチ上で潜在ベクトルを推定し、それらを補間して占有性クエリに応える方法が採用されている。しかしこのアプローチでは、物体表面にサンプリングされた入力点との直接的な関連が失われ、空間全体に均一に情報を付加するため、特に表面付近という情報が最も重要な領域に重点を置かないという問題がある。さらに、固定されたパッチサイズに依存するため、離散化のチューニングが必要になる場合もある。こうした課題に対処するため、本研究では点群畳み込みを用い、各入力点において潜在ベクトルを計算する手法を提案する。その後、推定された重みを用いて最近傍点に基づく学習ベースの補間を実施する。オブジェクトおよびシーンのデータセットにおける実験結果から、本手法は他の手法と比較して、多くの古典的評価指標において顕著に優れた性能を示し、より細かいディテールを再構成し、細いボリュームの再構成もより良好に行えることが確認された。コードは https://github.com/valeoai/POCO にて公開されている。