Conocimiento Bóveda 5 /54 - CVPR 2020
BSP-Net: Generando Mallas Compactas mediante Partición de Espacio Binario
Zhiqin Chen, Andrea Tagliasacchi, Hao Zhang
< Imagen del Resumen >

Gráfico de Concepto & Resumen usando Claude 3 Opus | Chat GPT4o | Llama 3:

BSP-Net: Generando Mallas Compactas
mediante Partición de
Espacio Binario
BSPNet: mallas compactas herméticas 1
Existente: deformación o implícita 2
Implícita: cubos de marcha, demasiados 3
BSPNet: compacto, afilado, curvado 4
Clave: árboles BSP, planos 5
Proceso: intersecciones, convexo, unión 6
Red: componentes del árbol BSP 7
Entrada: vóxel o imagen 8
MLP: característica al plano 9
Entrenamiento: puntos, distancias de signo 10
Conexiones: matriz binaria 11
Salida: suma ponderada, media 12
Entrenamiento: dos etapas, pérdidas 13
Etapa 1: continua, cambio 14
Etapa 2: binaria, media 15
2D: imágenes, partes convexas 16
Segmentaciones: nivel convexo 17
Comparación: mejor reconstrucción, segmentación 18
3D: manual, partes semánticas 19
Decodificador: reconstrucción de vista única 20
Comparación: comparable, menos polígonos 21
CVXNet: convexo, BSPNet bajo-polígono 22
Código: disponible en GitHub 23

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