【3D形状重建系列】Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion

清库存系列，拖了好久啊。

1. 概要

题目：Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion，CVPR 2020
论文：https://virtualhumans.mpi-inf.mpg.de/papers/chibane20ifnet/chibane20ifnet.pdf
代码：https://virtualhumans.mpiinf.mpg.de/ifnets/.

2. 动机

现有重构刚性物体都受限于两点：

1. 不能够代表复杂的物体，例如重构经常失去手臂或腿；
2. 他们不能够保留在输入数据中所呈现的细节。

可能受限的原因：

1. 网络学习了在xyz坐标上过于强大的先验破坏了清晰度的不变形；
2. 形状编码向量缺乏三位编码，导致编码看起来更像是对形状原型的分类，而不是连续回归。因此，当前方法受限于上述2点；

本工作就是基于上面的考虑，提出来隐特征网络，在5个维度进行了改进。

希望达到的效果：

3 算法

本质上其实是decode的设计，因为encoder就是基础的特征提取部分；而decoder其实就是在预测点是在这个物体里面还是外面，那么两者的边界就是我们所需要的物体表面。最终是要通过其他算法来复现连续曲面的。因为输出的离散值：0或1。

3.1 背景：隐表面学习

定义occupancy公式。使用隐形表达$z$来编码3D形状。则连续的形状表达可以荣国学习神经函数来获得：

表面通过[0,1]设定是否属于物体内或外。这样的话表面就是决策边缘。连续表达可以不受像素限制。

后面可以通过构建mesh中marching cubes算法来表达物体限制，但是有两个限制：

1. 不能够表达复杂物体，例如 有关节的人物等。
2. 没能保留输入数据的细节。

3.2 隐形特征网络

形状编码