摘要

我们提出了一种基于隐式神经形状表示的新颖学习方法，用于从点云中进行形状重建。该方法将问题建模为在特征空间中对隐式神经符号距离函数进行少样本学习，并采用基于梯度的元学习策略来求解。首先，我们利用卷积编码器从输入点云构建一个特征空间；随后，一个隐式解码器学习根据该特征空间中的点来预测符号距离值。在少样本学习的框架下，我们将输入点云（即目标形状函数零水平集的采样点）作为支持集（即上下文），训练解码器使其仅通过少量（5次）微调步骤即可适应该上下文所蕴含的底层形状结构。因此，我们首次同时结合了两种隐式神经网络的条件化机制：特征编码与元学习。数值实验与定性评估结果表明，在稀疏点云的隐式重建任务中，所提出的基于特征空间的元学习策略显著优于现有方法，包括标准的特征空间监督学习以及欧氏空间中的元学习方法，同时仍保持了快速推理的优势。