要約
点群からの形状再構成を学習ベースで行うための新しいアプローチを提案する。本手法は最近注目を集めているimplicitな神経形状表現に基づいている。我々はこの問題を、特徴空間におけるimplicitな神経符号付き距離関数の少样本学習（few-shot learning）として定式化し、勾配ベースのメタラーニングを用いて解決する。入力となる点群に対して畳み込みエンコーダを用いて特徴空間を構築する。その後、この特徴空間で表現された点を入力として、符号付き距離値を予測するimplicitなデコーダが学習される。少样本学習の枠組みにおいて、入力点群（すなわち、対象形状関数のゼロレベルセットからのサンプル）をサポート（＝コンテキスト）と見なし、デコーダを訓練することで、わずか5ステップの調整（tuning）でその重みをこのコンテキストに内在する形状に適応できるようにする。本研究では、初めて特徴エンコーディングとメタラーニングという2種類のimplicitな神経ネットワークの条件付け機構を同時に統合した。数値的および定性的な評価の結果、疎な点群からのimplicitな再構成という文脈において、本手法（特徴空間におけるメタラーニング）は、従来の手法である特徴空間における標準的な教師あり学習や、ユークリッド空間におけるメタラーニングを上回る性能を示した。さらに、高速な推論が可能であることも確認された。