El Fin Del Conocimiento - Bóveda 5/54 - CVPR - 2020 - BSP-Net: Generando Mallas Compactas mediante Partición de Espacio Binario

graph LR classDef bspnet fill:#f9d4d4, font-weight:bold, font-size:14px classDef existing fill:#d4f9d4, font-weight:bold, font-size:14px classDef comparison fill:#d4d4f9, font-weight:bold, font-size:14px classDef components fill:#f9f9d4, font-weight:bold, font-size:14px A["BSP-Net: Generando Mallas Compactas
mediante Partición de
Espacio Binario"] --> B["BSPNet: mallas compactas herméticas 1"] A --> C["Existente: deformación o implícita 2"] C --> D["Implícita: cubos de marcha, demasiados 3"] B --> E["BSPNet: compacto, afilado, curvado 4"] B --> F["Clave: árboles BSP, planos 5"] B --> G["Proceso: intersecciones, convexo, unión 6"] A --> H["Red: componentes del árbol BSP 7"] H --> I["Entrada: vóxel o imagen 8"] H --> J["MLP: característica al plano 9"] H --> K["Entrenamiento: puntos, distancias de signo 10"] H --> L["Conexiones: matriz binaria 11"] H --> M["Salida: suma ponderada, media 12"] A --> N["Entrenamiento: dos etapas, pérdidas 13"] N --> O["Etapa 1: continua, cambio 14"] N --> P["Etapa 2: binaria, media 15"] A --> Q["2D: imágenes, partes convexas 16"] A --> R["Segmentaciones: nivel convexo 17"] A --> S["Comparación: mejor reconstrucción, segmentación 18"] A --> T["3D: manual, partes semánticas 19"] A --> U["Decodificador: reconstrucción de vista única 20"] A --> V["Comparación: comparable, menos polígonos 21"] A --> W["CVXNet: convexo, BSPNet bajo-polígono 22"] A --> X["Código: disponible en GitHub 23"] class B,E,F,G bspnet class C,D existing class H,I,J,K,L,M components class S,V comparison

Resumen:

1.- BSPNet: genera mallas compactas, de bajo polígono, herméticas usando partición de espacio binario.

2.- Métodos existentes: deforman mallas de plantilla o usan funciones implícitas, resultando en mallas no compactas.

3.- Métodos implícitos: requieren cubos de marcha, produciendo mallas con demasiados polígonos.

4.- Ventajas de BSPNet: mallas de salida compactas con pocas primitivas, reproduciendo detalles afilados y aproximando límites curvados.

5.- Idea clave: derivada de árboles de partición de espacio binario usando planos orientados y conexiones.

6.- Proceso: calcular intersecciones dentro de grupos para obtener formas convexas, luego unirlas.

7.- Diseño de red: cada componente representa una parte del árbol BSP.

8.- Entrada: modelo de vóxel o imagen, codificado para obtener código de características.

9.- MLP: mapea el código de características a parámetros de plano (nodos hoja en el árbol BSP).

10.- Entrenamiento: muestrear puntos en el espacio, calcular distancias de signo.

11.- Conexiones: representadas por una matriz binaria entrenable.

12.- Forma de salida: obtenida por suma ponderada o agrupamiento medio de formas convexas.

13.- Proceso de entrenamiento: enfoque de dos etapas con pérdida de reconstrucción y pérdidas de estructuración de árbol.

14.- Etapa 1: entrenar la red con pesos continuos, cambiar conexiones.

15.- Etapa 2: binarizar pesos de conexión, reemplazar suma ponderada con agrupamiento medio.

16.- Experimento de juguete 2D: la red reconstruye imágenes como combinaciones de partes convexas.

17.- Segmentaciones de formas y correspondencias: encontradas a nivel convexo.

18.- Comparación: mejor calidad de reconstrucción y resultados de segmentación que otros métodos de descomposición.

19.- Caso 3D: agrupación manual de convexos en partes semánticas, visualizando correspondencias.

20.- Decodificador 3D diferenciable: se empareja con codificador de imagen para reconstrucción de vista única.

21.- Comparación con métodos de última generación: rendimiento comparable con menos vértices y triángulos.

22.- CVXNet: otro método de descomposición convexa, pero BSPNet apunta a reconstrucción de bajo polígono con números convexos dinámicos.

23.- Código fuente: disponible en GitHub.

Bóveda del Conocimiento construida por David Vivancos 2024