首页 科技 正文

“过拟合”也可以用于浪费:3D物体表面的高清重建,参数减少99%

鱼羊 发自 凹非寺

量子位 报道 | 公众号 QbitAI

听到过拟合三个字,大年夜部分机械进修研究者城市如临大年夜敌。

究竟没有人会希望自家模子崽崽,分开了题集局限就不会考试了。

但而今,多伦多大年夜学和麦吉尔大年夜学的一项最新研究剖明,过拟合也并不是一无是处。

好比在重建3D物体外不雅上,过拟合神经收集就有奇效。

用过拟合神经收集重塑物体外形

有向距离场SDF(signed distance field)是较量争论机图形学中,常见的一种隐式曲面透露显露方式。

可以无损放大年夜衬着字体:

还能实现极具真实感的的着色和光照后果:

不外,假如要用SDF来存储具有复杂细节的物体外不雅,则将面临没法进行扩大的问题。

此前已有研究证实,神经收集是3D物体SDF的有用近似。是以,多伦多大年夜学和麦吉尔大年夜学的研究人员们开了个脑洞:

能不克不及带有目标性地去过拟合一个单一3D物体外面的SDF透露显露?

换句话说,就是可否让过拟合神经收集,作为一种隐式外形透露显露,来高精度重建3D物体的外不雅?

这个可以有。

收集布局

研究人员们起首打造了一个N层前馈全连领受集,其潜藏层大小为H,潜藏层激活函数为ReLU,而输出层则由TanH激活。

需要留意的是,当然增大年夜收集深度和宽度会获得更好的后果,但也会使得内存占用和衬着时候倍增。

颠末测试,研究人员发现当N为8,H为32时,收集能在重建精度、衬着速度和内存占用之间获得优越的均衡。

这一架构与先辈方式DeepSDF的默许架构比拟,参数数量削减了99%,衬着第一帧的速度加速了93%,仅需要64kB内存,同时重建质量的损失落仍在可接管局限之内。

收集的输入为给定对象的SDF点样本,输出则为收集猜测的每一个输入点的有向距离。

研究人员将这一收集布局命名为OVERFITSDF。

采样策略和损失落函数

为了让过拟合神经收集能在不异的存储成本下,实现更高的精度。研究人员还精心设计了采样策略和损失落函数。

在采样策略上,研究人员没有接纳随机采样的方案,而是集中存眷对鸿沟转换更具「信息量」的点。

具体而言,就是按照点到输入外形外面的距离,来进行采样。

而在损失落函数方面,研究人员接纳简单的最小绝对误差(L1)作为损失落函数。他们发现,与平方误差(L2)比拟,其外面重建后果会更好。

该方式按照主要性怀抱w(x),对损失落函数进行缩放,如许主要性小的演习样本对损失落的影响也就较小。

如此,即可以赋予指定区域(如更接近外面的样本点)更高的影响权重。也可以或许按照需求提高局部区域的重建精度。

有向距离

别的,研究人员接纳广义环抱纠缠数而不法线来标识表记标帜距离标的目标,如许就可以够措置带有自交点、开放鸿沟、非流形的网格,在补习生网格真实拓扑布局的环境下,大年夜大年夜下降了模子的复杂性。

尝试后果

那末,用OVERFITSDF替换真实的SDF,后果事实若何呢?

尝试证实,此前的SOTA方式DeepSDF的重建质量,会由于几何布局没有对齐到默许标的目标而遭到明明影响。

但OVERFITSDF不管标的目标若何,城市收敛到不异的精度。

而在一样的内存预算下,不管是和原始三角形网格(下图左)比拟,照样和同一有向距离网格(下图中)比拟,该方式(下图右)都具有更强的显露力。

非特殊说明,本文由原创资讯网原创或收集发布。

转载请注明本文地址:http://www.acewise.org/kj/1378.html