近日🚶🏻‍♀️，我院蔡棽老師指導的視覺與幾何感知實驗室在計算機視覺和圖形學領域的研究工作被CCF A類會議CVPR 2024 接收🧇，這也是該實驗室在本領域取得的系列重要進展之一🕧。到目前為止🧉，實驗室已經在神經隱式表示等三維深度學習研究方向上取得了多項進展，發表了多篇CCF A/B類會議論文。進展情況介紹如下：

1.無符號正交距離場🎅🏽：一種適用於各類三維形狀的精確神經隱式表示方法🤛🏼👋🏽。

該研究提出一種針對任意三維模型的精確神經隱式表示方法——無符號正交距離場（UODFs），不同於有符號距離場（SDF）和無符號距離場（UDF）中最小距離通過多方向搜索得到🙅，UODFs中的每個點沿著三個正交方向定義距離和直接推理最近表面點（模擬激光的特性）🏌️‍♀️👨‍💻，避免引入插值誤差從而提升了重建精度👨‍🦼。一系列水密、非水密、多孔𓀒、組合模型的重建實驗驗證了本方法的有效性🥞。

網絡架構和處理流程圖

該項工作成果已被CVPR 2024國際會議（CCF A類）接收🪥，計算機沐鸣2021級研究生盧雨潔為第一作者，蔡棽老師為通訊作者。

2.基於球節點圖的三維物體最簡表示與分類🔤。

該研究提出了一種極簡的三維模型表示方法——球節點圖，通過在模型內部的SDF場中確定球心及其半徑（SDF值）🪡，並建立連邊關系形成圖表示，三維模型可以用少量基元（如32個）即可展示其幾何結構。對球點圖利用圖神經網絡（GNNs）提取並聚合特征，在非旋轉模型和旋轉模型的分類任務上都取得了當時最好的精度結果。

球節點圖示意。第一行：不同分辨率下飛機模型；第二行：32球節點的不同模型。

該項工作成果發表在ICME 2021國際會議（CCF B類），並進行了口頭報告😑，計算機沐鸣2019級研究生張斯禹為第一作者，蔡棽老師為通訊作者。

3.基於空間關鍵球的三維模型高保真神經隱式壓縮表示與重建。

該研究提出利用顯式的空間關鍵球輔助實現三維模型的高保真神經隱式壓縮表示與重建，通過在模型內部的SDF場中提取空間關鍵球，並利用簡單的特征聚合網絡提取全局形狀信息賦予給每個空間點，SDF擬合的精度（同等網絡大小下）得到顯著提高，或需要的網絡參數（同等重建精度下）得到了明顯下降🤌🏽。

網絡架構圖

該項工作成果長文發表在DCC 2022國際會議（CCF B類），並進行了口頭報告，計算機沐鸣2020級研究生李沅展為第一作者，蔡棽老師為通訊作者☢️。